gms | German Medical Science

Einleitung: Entscheidungsbäume - auch bekannt als CART (Classification and regression trees) - werden häufig bei der Analyse von komplexen nichtlinearen Datensätzen eingesetzt. Sie benötigen im Gegensatz zu klassischen multivariablen Regressionsanalysen keine Annahme bezüglich der Verteilung der Daten und sind effektiv in der Handhabung von vielen Variablen. Aufgrund ihrer nachvollziehbaren Struktur findet diese Methodik in der Medizin häufig Anwendung bei der Erstellung von Risikoklassifizierungssystemen oder Prognosemodellen für z. B. Mortalitätsraten oder auch Überlebenszeiten.

Das Neuroblastom ist ein extrakranieller, solider Tumor, der häufig im Kindesalter auftritt und einen sehr heterogenen Krankheitsverlauf hat. Im Jahr 2009 führte Cohn et al. ein neues Risikogruppenklassifizierungssystem INRG (International Neuroblastoma Risk Group) ein [1]. Hierfür wurde die Methodik des Entscheidungsbaum auf das rezidivfreie Überleben (Event Free Survival: EFS) angewendet und basierend auf einem großen internationalen Neuroblastomkollektiv (n= 8.800) ein so genannter Survival Tree konstruiert.

In der vorliegenden Arbeit wurden nun Survival Trees für ein nationales repräsentatives Neuroblastomkollektiv aus den GPOH-Studien (Gesellschaft für Pädiatrische Onkologie und Hämatologie) NB97 und NB04 für die Endpunkte EFS und Überleben (Overall Survival: OS) erstellt und anschließend dem Klassifizierungssystem des INRG Kollektivs gegenüber gestellt.

Material und Methoden: Die Daten von 1.209 konsekutiven deutschen Neuroblastompatienten wurden in die Analyse eingeschlossen. Auswahlkriterien waren zum einen die Diagnose nachdem 01.01.2002 und vordem 31.12.2010 sowie ein Alter bei Diagnose kleiner 21 Jahre. Zunächst wurde die Verteilung der Risikofaktoren Stadium, Histologie, Alter bei Diagnose, LDH, Ferritin, NMYC, Status 1p, Status 11q und Status 17q in der INGR und der nationalen Kohorte mit Hilfe des exakten Tests nach Fisher verglichen. Anschließend wurde unter Verwendung des R-Pakets rpart Survival Trees nach LeBlanc und Crowley [2] basierend auf den vorangegangenen Risikofaktoren für die Endpunkte EFS und OS konstruiert.

Die Survival Tree Analyse erfolgt in zwei Blöcken: der Konstruktion eines großen Baumes und dem Stutzen dieses Baumes. Im ersten Block wird zunächst nach dem Risikofaktor gesucht, der den Datensatz am „besten“ in zwei Gruppen teilt. Dieser Vorgang wird rekursiv für jede entstehende Untergruppe wiederholt. Die Devianz basierend auf dem proportionalen Hazard Modell wird hierbei als Teilungsregel verwendet. Mithilfe von Kreuzvalidierung wird der entstandene große Baum anschließend im zweiten Block auf die wichtigsten Knoten gestutzt.

Ergebnisse: Es konnten signifikante Unterschiede zwischen dem nationalen Kollektiv und dem INRG-Kollektiv beim INSS Stadium (p<0,001), LDH (p=0,001), Histologie (p=0,017), Status 1p (p<0,001) und Status 17q (p=0,026) beobachtet werden, jedoch nicht bei Ferritin, NMYC und Status 11q. Das Alter bei Diagnose verteilte sich interessanterweise beim Cutoff 18 Monate (p=0,003) signifikant unterschiedlich zwischen den Kollektiven, aber nicht beim Cutoff 12 Monate.

Die Survival Tree Analyse wählte für den Endpunkt EFS einen Baum mit neun Endknoten aus. Die Teilung erfolgte basierend auf den sieben Risikofaktoren Stadium, Histologie, MYCN, Alter bei Diagnose (Cutoff 12 Monate), LDH, 17q und Ferritin.

Der Survival Tree für das OS hingegen bestand aus sechs Endknoten. Hierbei setzten sich die Teilungen aus den vier Risikofaktoren Stadium, Alter bei Diagnose (Cutoff 12 Monate), MYCN und LDH zusammen.

Diskussion: Durch die Anwendung der Survival Tree Analyse auf ein anders verteiltes nationales Neuroblastomkollektiv für verschiedene Endpunkte erhält man eine ähnliche Aufteilung der Risikofaktoren wie im Survival Tree des INRG Kollektivs.

Der interessanteste Unterschied zum INRG Kollektiv war, dass im nationalen Kollektiv der Cutoff von 12 Monaten statt dem Cutoff von 18 Monaten für das Alter bei Diagnose ausgewählt wurde.