In Richtung Patientinnen-orientierter Entscheidungsfindung in der Brustkrebschirurgie: Machine Learning Algorithmen zur Vorhersage individueller, Patientinnen-berichteter Ergebnisse ein Jahr nach Operation

Zielsetzung Für Patientinnen mit brustkrebsbedingter Mastektomie und Brustrekonstruktion ist die Zufriedenheit mit der rekonstruierten Brust ein wichtiger Endpunkt. Die derzeitige Entscheidungsfindung beruht auf Gruppenlevel-Evidenz, was zu suboptimalen Behandlungsempfehlungen für Individuen führen könnte. Wir entwickelten machine learning Algorithmen zur Vorhersage individueller, Patientinnen-berichteter Ergebnisse ein Jahr nach Rekonstruktion.

Methoden Wir verwendeten Daten von 1921 Patientinnen, die eine brustkrebsbedingte Mastektomie und Brustrekonstruktion zwischen 2011 und 2016 an 11 Studienzentren in Nordamerika erhielten. Drei Algorithmen (logistic regression with elastic net penalty, Extreme Gradient Boosting tree, und Neuronales Netzwerk) wurden mittels Daten von 10 der 11 Studienzentren entwickelt und getestet sowie anschließend am elften Studienzentrum validiert. Genauigkeit und AUC in der Vorhersage von klinisch-relevanter Veränderungen in der Zufriedenheit mit Brüsten ein Jahr nach Operation mittels des validierten BREAST-Q Fragebogens waren die Endpunkte.

Ergebnisse Alle drei Algorithmen zeigten eine gute Leistung bei der Vorhersage klinisch-relevanter Verbesserung oder Verschlechterung in der Zufriedenheit mit Brüsten: Für das Testset Median Genauigkeit=0,81 (Spanne 0,73-0,83), Median AUC=0,84 (Spanne 0,78-0,85). Für das Validierungsset Median Genauigkeit=0,83 (Spanne 0,81-0,84), Median AUC=0,86 (Spanne 0,83-0,89).

Zusammenfassung Individuelle, Patientinnen-berichteter Ergebnisse könnten zuverlässig mittels machine learning Algorithmen vorhergesagt werden, was eine individualisierte, Patientinnen-orientierte Entscheidungsfindung für Brustkrebspatientinnen erleichtert könnte.

Pfob A et al. Ann Surg. 2021.doi:10.1097/SLA.0000000000004862

Table 1 Evaluiierung der Algorithmen zur Vorhersage der Zufriedenheit mit Brüsten ein Jahr nach Operation.

		Logistic regression with elastic net penalty Testset (n=517)	Logistic regression with elastic net penalty Validierungsset (n=370)	Extreme Gradient Boosting Tree Testset (n=517)	Extreme Gradient Boosting Tree Validierungsset (n=370)	Neuronales Netzwerk Testset (n=517)	Neuronales Netzwerk Validierungsset (n=370)
1-Jahr Follow-Up Zufriedenheit niedriger als vor Operation	Genauigkeit (95% CI)	0,83 (0,80 bis 0,86)	0,82 (0,78 bis 0,86)	0,83 (0,79 bis 0,86)	0,83 (0,79 bis 0,87)	0,81 (0,77 bis 0,84)	0,82 (0,77 bis 0,85)
	AUC (95% CI)	0.85 (0,81 bis 0,89)	0,89 (0,86 bis 0,92	0,85 (0,81 bis 0,89)	0,88 (0,84 bis 0,92)	0,79 (0,75 bis 0,84)	0,84 (0,79 bis 0,88)
1-Jahr Follow-Up Zufriedenheit höher als vor Operation	Genauigkeit (95% CI)	0,76 (0,72 bis 0,80)	0,84 (0,79 bis 0,87)	0,75 (0,71 bis 0,79)	0,84 (0,79 bis 0,87)	0,73 (0,69 bis 0,77)	0,81 (0,76 bis 0,85)
	AUC (95% CI)	0,84 (0,80 bis 0,87)	0,86 (0,81 bis 0,90)	0,81 (0,78 bis 0,85)	0,85 (0,81 bis 0,89)	0,78 (0,74 bis 0,82)	0,83 (0,79 bis 0,88)

Publication History

Article published online:
01 June 2021