Artikel
Prädiktion des krebsspezifischen Überlebens nach radikaler Zystektomie beim Harnblasenkarzinom unter Anwendung artifizieller neuronaler Netzwerke
Suche in Medline nach
Autoren
-
P. Nuhn
- Ludwig-Maximilians-Universität (LMU), Medizinische Fakultät, Urologische Klinik und Poliklinik, München, Germany
-
A. Aziz
- Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Urologie, Hamburg, Germany
-
M. May
- Klinikum St. Elisabeth, Klinik für Urologie, Straubing, Germany
-
T. Grimm
- Ludwig-Maximilians-Universität (LMU), Medizinische Fakultät, Urologische Klinik und Poliklinik, München, Germany
-
M. Gierth
- Caritas-Krankenhaus St. Josef, Klinik für Urologie, Regensburg, Germany
-
J. Ellinger
- Universität Bonn, Klinik und Poliklinik für Urologie und Kinderurologie, Bonn, Germany
-
S.C. Müller
- Universität Bonn, Klinik und Poliklinik für Urologie und Kinderurologie, Bonn, Germany
-
F. Wagenlehner
- Universität Gießen, Klinik und Poliklinik für Urologie, Kinderurologie und Andrologie, Gießen, Germany
-
W. Weidner
- Universität Gießen, Klinik und Poliklinik für Urologie, Kinderurologie und Andrologie, Gießen, Germany
-
R. Moritz
- Universität Münster, Klinik für Urologie, Münster, Germany
-
E. Herrmann
- Universität Münster, Klinik für Urologie, Münster, Germany
-
M.-O. Grimm
- Universität Jena, Klinik für Urologie, Jena, Germany
-
F. Hartmann
- Universität Jena, Klinik für Urologie, Jena, Germany
-
C. Protzel
- Universität Rostock, Urologische Klinik und Poliklinik, Rostock, Germany
-
O.W. Hakenberg
- Universität Rostock, Urologische Klinik und Poliklinik, Rostock, Germany
-
L. Lusuardi
- Landeskrankenhaus Salzburg, Universitätsklinik für Urologie und Andrologie, Salzburg, Germany
-
G. Janetschek
- Landeskrankenhaus Salzburg, Universitätsklinik für Urologie und Andrologie, Salzburg, Germany
-
M. Gördük
- Vivantes Klinikum am Urban, Klinik für Urologie, Berlin, Germany
-
J. Roigas
- Vivantes Klinikum am Urban, Klinik für Urologie, Berlin, Germany
-
M. Fisch
- Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Urologie, Hamburg, Germany
-
M. Burger
- Caritas-Krankenhaus St. Josef, Klinik für Urologie, Regensburg, Germany
-
M. Staehler
- Ludwig-Maximilians-Universität (LMU), Medizinische Fakultät, Urologische Klinik und Poliklinik, München, Germany
-
P. Bastian
- Paracelsus-Klinik Golzheim, Klinik für Urologie, Düsseldorf, Germany
-
C.G. Stief
- Ludwig-Maximilians-Universität (LMU), Medizinische Fakultät, Urologische Klinik und Poliklinik, München, Germany
-
A. Buchner
- Ludwig-Maximilians-Universität (LMU), Medizinische Fakultät, Urologische Klinik und Poliklinik, München, Germany
| Veröffentlicht: | 13. März 2015 |
|---|
Gliederung
Text
Fragestellung: Klinische Verläufe nach radikaler Zystektomie (RC) zeigen eine große Variabilität, die verlässliche prognostische Parameter erfordert. Artifizielle neuronale Netzwerke (ANN) können trainiert werden, dass sie komplexe Muster in einfließenden Daten erlernen. In den letzten Jahren hat die Verwendung von ANN innerhalb klinischer Studien, z.B. für die Identifikation spezifischer Patienten-Subgruppen, stark zugenommen. In dieser Studie nutzen wir ANN zur Risikostratifzierung von Patienten nach RC.
Methoden: Diese prospektive Studie basiert auf der “Prospective Multicenter Radical Cystectomy Series 2011 (PROMETRICS 2011)”-Datenbank mit 679 konsekutiven RC-Patienten 18 europäischer Zentren. Das mediane Follow-Up betrug 21 Monate, das maximale lag bei 41 Monaten. Alter, BMI, Pack years, ASA score, TNM-Klassifikation, Resektionsstatus, lymphovaskuläre Invasion, Präsenz von Carcinoma in situ, Fokalität und Tumorgröße flossen in das ANN ein (StatSoft, Tulsa, OK, USA). Zum Zeitpunkt der Analyse waren 433 komplette Datensätze vorhanden. 70% aller Fälle wurden zufällig ausgewählt und für den Trainingsprozess genutzt. Die restlichen Fälle dienten als zwei unabhängige Validierungs-Datensätze. Zielvariable war das krebsspezifische Überleben nach zwei Jahren. Die Leistungsfähigkeit des ANN wurde im Rahmen einer Genauigkeits- und ROC-Analyse überprüft. Die Ergebnisse wurden zudem mit denen von Regressionsmodellen verglichen.
Ergebnisse: Zwei Jahre nach RC hatten 25% (109/433) aller Patienten einen krebsspezifischen Tod erlitten. Nach Abschluss des Netzwerk-Trainings konnte das ANN bei 82% der Patienten im Trainings-Datensatz den Überlebensstatus voraussagen, in den beiden Validierungs-Datensätzen bei 81% und 83%. In der ROC-Analyse war die Area under the curve (AUC) 0,825 für die gesamte Studienkohorte. Ein logistisches Regressionsmodell wurde erstellt, in das dieselben Variablen wie beim ANN einflossen. Die prädiktive Genauigkeit dieses Regressionsmodells betrug 78%.
Schlussfolgerung: Der Überlebensstatus zwei Jahre nach RC konnte unter Anwendung eines ANN, fussend auf klinischen und histopathologischen Routineparametern, mit guter Genauigkeit vorhergesagt werden. Das ANN war in diesem Zusammenhang dem Regressionsmodell überlegen. Neuronale Netzwerke sind ein vielversprechender Ansatz für die Risikostratifizierung nach RC und könnten bei der Optimierung der therapeutischen Strategie helfen.
