MODELLI PREDITTIVI IN CHIRURGICA...
Transcript of MODELLI PREDITTIVI IN CHIRURGICA...
MODELLI PREDITTIVI IN CHIRURGICA PROSTATICAMODELLI PREDITTIVI IN
CHIRURGICA PROSTATICA
Alberto Briganti, MD, fEBUDipartimento di UrologiaUniversità Vita – Salute
Ospedale San Raffaele, Milanoe-mail: [email protected]
QUANDO UN PAZIENTE CHIEDE DI CONOSCERE IL PROPRIO OUTCOME CLINICO:
QUALI STRUMENTI A DISPOSIZIONE DEL MEDICO?
QUANDO UN PAZIENTE CHIEDE DI CONOSCERE IL PROPRIO OUTCOME CLINICO:
QUALI STRUMENTI A DISPOSIZIONE DEL MEDICO?
• Adattare una media globale a tutti i pazienti
• Assegnare il paziente ad una classe di rischio (ad es: alto, interemedio e basso)
• Applicare un modelloINDIVIDUALE
• Predire sulla base dellapropria esperienza
• Adattare una media globale a tutti i pazienti
• Assegnare il paziente ad una classe di rischio (ad es: alto, interemedio e basso)
• Applicare un modelloINDIVIDUALE
• Predire sulla base dellapropria esperienza
EXPERIENCE-BASED MEDICINE
EVIDENCE-BASED MEDICINE
QUANDO UN PAZIENTE CHIEDE DI CONOSCERE IL PROPRIO OUTCOME CLINICO:
QUALI STRUMENTI A DISPOSIZIONE DEL MEDICO?
QUANDO UN PAZIENTE CHIEDE DI CONOSCERE IL PROPRIO OUTCOME CLINICO:
QUALI STRUMENTI A DISPOSIZIONE DEL MEDICO?
NomogramAUC=80.5%
CliniciansAUC=67.5%
(52-78%)
Walz J et al BJU Int 100:1254-8,2007
50 pazienti selezionati trattati con RT o PR per pCa con dati clinici e di follow-up completi
19 medici (6 urologi, 10 specializzandi, 3 studenti) hanno predetto l’aspettativa di vita dei pazienti stessi
• Adattare una media (o conclusione) a tutti i pazienti
• Dichiarare l’impossibilità dipredire l’outcome di ognisingolo paziente
• Assegnare il paziente ad una classe di rischio (ad es: alto, intermedio e basso)
• Applicare un modelloINDIVIDUALE
• Predire sulla base dellapropria esperienza
QUANDO UN PAZIENTE CHIEDE DI CONOSCERE IL PROPRIO FUTURO CLINICO:
QUALI STRUMENTI A DISPOSIZIONE DEL MEDICO?
QUANDO UN PAZIENTE CHIEDE DI CONOSCERE IL PROPRIO FUTURO CLINICO:
QUALI STRUMENTI A DISPOSIZIONE DEL MEDICO?
Bill-Axelson et al NEJM,352:1977-84,2005
Studio prospettico, randomizzato (n=695)
La PR riduce la progressione clinica, la mortalità causa specifica e globale
Pazienti con neoplasia prostatica “indolente”ACTIVE SURVEIILLANCE?
Prostate Cancers DetectedProstate Cancers Detected
803
435368
1147
571 576
0100200300400500600700800900
100011001200
Total Cancers For-Cause Cancers End-of-Study Cancers
Num
ber o
f Can
cers
FinasteridePlacebo
803
435368
1147
571 576
0100200300400500600700800900
100011001200
Total Cancers For-Cause Cancers End-of-Study Cancers
Num
ber o
f Can
cers
FinasteridePlacebo
3820
3652
Men with End-of-Study Biopsy
1934
1639
Men with For-Cause Biopsy/Procedure
Finasteride
4692Placebo
4368
Total Men Evaluated
24.4%24.4%
18.4%18.4%
relativerelative = 24.8%= 24.8%absolute = 6.0%absolute = 6.0%
relativerelative = 11.2%= 11.2%absolute = 3.0%absolute = 3.0%
26.5%26.5%29.5%29.5%
10.1%10.1%
15.1%15.1%
relativerelative = 33.1%= 33.1%absolute = 5.0%absolute = 5.0%
NECESSITA’ DI INDIVIDUALIZZARE LE NOSTRE CAPACITA’ PREDITTIVE
Kattan M, JCO 20:885-87,2002
• Adattare una media (o conclusione) a tutti i pazienti
• Dichiarare l’impossibilità dipredire l’outcome di ognisingolo paziente
• Assegnare il paziente ad una classe di rischio (ad es: alto, intermedio e basso)
• Applicare un modelloINDIVIDUALE
• Predire sulla base dellapropria esperienza
QUANDO UN PAZIENTE CHIEDE DI CONOSCERE IL PROPRIO FUTURO CLINICO:
QUALI STRUMENTI A DISPOSIZIONE DEL MEDICO?
QUANDO UN PAZIENTE CHIEDE DI CONOSCERE IL PROPRIO FUTURO CLINICO:
QUALI STRUMENTI A DISPOSIZIONE DEL MEDICO?
SUDDIVISIONE DEI PAZIENTI IN CLASSI DI RISCHIO
VANTAGGIO:MOLTO SEMPLICI DA UTILIZZARE NELLA PRATICA CLINICA MA..
BASATO SULL’ERRONEA ASSUNZIONE CHE TUTTI I PAZIENTI APPARTENENTI AD UN DATO GRUPPO SIANO UGUALI!!
D’AMICO RISK GROUPS
Shariat S et al Clin Cancer Res 14:4402-07,2008
Low risk: cT1-T2a, Gl≤6. PSA<10 ng/ml
Int.risk: T2b, Gl 7, PSA10-20 ng/ml
High risk: cT3, Gl 8-10, PSA >20 ng/ml
pT2
pT3a
BCR-free survival
5 years 8 years 10 years
pT2 90% 85% 82%
pT3a 89% 70% 59%
KAPLAN-MEIER CURVE: TIME TO BCR ACCORDING TO PATHOLOGICAL STAGE (n=1415)
p=0.001
pT2SM-
pT2SM+pT3a SM-
BCR-free survival
5 years 8 years 10 years
pT2 –SM 93% 87% 84%
pT2 +SM 80% 75% 60%
pT3a –SM 89% 70% 59%
KAPLAN-MEIER CURVE: TIME TO BCRACCORDING TO PATHOLOGICAL STAGE AND SM STATUS
p=0.001
p=0.8
KAPLAN-MEIER CURVES PREDICTING OVERALL EF RECOVERY ACCORDING TO RISK CATEGORIES (N=435)
Log rank p<0.001 Low risk
Intermediate risk
High risk
LOW RISKAge ≤65 &IIEF-EF≥26 &CCI ≤1
INTERMEDIATE RISK(all pts not included)
HIGH RISKAge ≥70 or IIEF-EF≤10 orCCI ≥2
58% 55% Intermediate
85% 83%Low
High
EF recovery
% 1-yr % 3-yr
37% 39%
Briganti A et al, AUA 2009
• Adattare una media (o conclusione) a tutti i pazienti
• Dichiarare l’impossibilità dipredire l’outcome di ognisingolo paziente
• Assegnare il paziente ad una classe di rischio (ad es: alto, intermedio e basso)
• Applicare un modelloINDIVIDUALE
• Predire sulla base dellapropria esperienza
QUANDO UN PAZIENTE CHIEDE DI CONOSCERE IL PROPRIO FUTURO CLINICO:
QUALI STRUMENTI A DISPOSIZIONE DEL MEDICO?
QUANDO UN PAZIENTE CHIEDE DI CONOSCERE IL PROPRIO FUTURO CLINICO:
QUALI STRUMENTI A DISPOSIZIONE DEL MEDICO?
PERCHE’ APPLICARE UN MODELLO INDIVIDUALIZZATO PER PAZIENTI AFFETTI DA NEOPLASIA PROSTATICA ?
PERCHE’ APPLICARE UN MODELLO INDIVIDUALIZZATO PER PAZIENTI AFFETTI DA NEOPLASIA PROSTATICA ?
CAMBIAMENTI NEL PROCESSO DECISIONALE DIAGNOSTICO-TERAPEUTICO
Necessita’ di modelli prognostici individualizzati per paziente
1.1. Multiple Multiple possibilitpossibilitàà terapeuticheterapeutiche
2.2. RuoloRuolo centralecentrale del del pazientepaziente nelnel processoprocesso decisionaledecisionale
3.3. Il Il pazientepaziente scegliesceglie la la soluzionesoluzione pipiùù efficaceefficace e e sicurasicura
4.4. ConsiderazioniConsiderazioni bioetichebioetiche
((pazientepaziente devedeve essereessere informatoinformato))
QUALI CARATTERISTICHE DEVE AVERE UN MODELLO IDELAE PER PREDIRE L’OUTCOME DEL SINGOLO PAZIENTE?
QUALI CARATTERISTICHE DEVE AVERE UN MODELLO IDELAE PER PREDIRE L’OUTCOME DEL SINGOLO PAZIENTE?
1. Basato su un’ampia evidenza
a. Ampia numerosità del campione generalizzabile
2. Semplice da utilizzare
3. Accurato nel predire l’outcome di interesse
4. Accurato nel predire l’outcome in condizioni differenti (validatointernamente o esternamente)
5. Fornisca una probabilità (0-100%) per ogni singolo paziente
6. L’output sia rappresentato da una probabilità (invece di un rischio relativo)
7. Sia basato su un modello a più variabili (multivariato)
NOMOGRAMMA
PREDICTIVE TOOLS
Shariat S et al Clin Cancer Res 14:4402-07,2008
EVALUATING PREDICTIVE TOOLS
Shariat S et al Clin Cancer Res 14:4402-07,2008
1. PREDICITVE ACCURACY (AUC: 50-100%)2. CALIBRATION
3. GENERALIZABILITY4. LEVEL OF COMPLEXITY
5. HEAD-TO HEAD COMPARISON
LIMITATIONS OF PREDICITIVE AND PROGNOSTIC TOOLS
Shariat S et al Clin Cancer Res 14:4402-07,2008
1. Study selection criteria2. Change over time of the predicitve value of
model ingredients3. Adjustment for competing risks
4. Conditional probabilities
COSA SONO I NOMOGRAMMI?COSA SONO I NOMOGRAMMI?
Points0 10 20 30 40 50 60 70 80 90 100
AGE 10 30 50 70 90
DRE 0
1
PSA 0 15 35
%fPSA 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
Total Points 0 20 40 60 80 100 120 140 160
P[PCa on biopsy] 0.001 0.003 0.01 0.05 0.1 0.2 0.4 0.6 0.8 0.9 0.98
Age, DRE, PSA, and % free PSA predicted probabilityof PCa on needle biopsy
Obs
erve
dra
te o
fPC
aon
nee
dle
biop
sy
0.0 0.2 0.4 0.6 0.8
0.0
0.2
0.4
0.6
0.8
ApparentBias-correctedIdeal
AUC= 0.77
N=1762
Rappresentazione grafica di una formula matematica o algoritmo che incorpora più variabili predittive per predire un dato end-point
utilizzando metodi statistici tradizionali quali modelli di regressione logistica o di Cox
Karakiewicz et al J Urol, 173:1930-4,2005
Sopravvivenzacancro specificain malattiaormono-refrattaria
Prima Prima delladelladiagnosidiagnosi DiagnosiDiagnosi
TerapiaTerapia definitivadefinitiva((ProstatectomiaProstatectomia radicaleradicale))
PSA failurePSA failure
Ca Ca prostaticoprostaticoormonoormono refrattariorefrattario
MorteMorte
Biopsia inizialelimitata
Biopsia ripetuta
Biopsia disatuazione
Biopsia inizialeestes
Biopsia iniziale in caso di PSA <2.5ng/ml
Ripresa del PSA
Sopravvivenzacancro-specifica
Ripresa locale
Ripresa a distanza
PCa indolente
Volume tumorale
TZ vs. PZ PCa
Estensione extra-capsulare
Upgrading
Invasionevescicole seminali
Metastasilinfonodali
Biochemical (PSA) recurrence
Ripresa a distanza
Sopravvivenzacancro specifica
Sopravvivenzacancro specificain terapiaormonale
PREDIRE L’OUTCOME DEL CARCINOMA PROSTATICO
CARCINOMA PROSTATICO: DIAGNOSIPredire la presenza di neoplasia prostatica
in corso di biopsia ripetuta
Chun K-H et al J Urol 177:510-5,2007
60
0
4.5
2
40
20
205
34%
CARCINOMA PROSTATICO: DIAGNOSIPredire la presenza di neoplasia prostatica
in corso di biopsia ripetuta
Chun K-H et al J Urol 177:510-5,2007
MODEL CALIBRATION
CARCINOMA PROSTATICO: STADIAZIONE
PROBABILITA’ DI METASTASI LINFONODALE IN CORSO DI ePLND
AUC:76%
Briganti A et al Eur Urol, 49:1019-26,2006
9
T1c
6
25
3%
T2
8
115
28%
PSA 5 pts+
Stadio 0 pts+
Gleason 75 pts =
Totale 80 pts
Rischio di LNI
15%
IMPORTANZA DELL’ESTENSIONE DELLA PLND NELLA DIAGNOSI DI METASTASI LINFONODALI
Briganti et al. Eur Urol 49:1019-1026,2006
MSKCC NOMOGRAM: BASATO SU PLND LIMITATE
Caratteristiche del paziente:
• PSA totale alla diagnosi : 5.4 ng/mL
• Stadio clinico: T1c
• Gleason score bioptico: 7 (3+4)
Rischio di LNI
3%Secondo l’ MSKCC
nomogram*
* http://www.mskcc.org/mskcc/html/10088.cfm
IMPORTANZA DELL’ESTENSIONE DELLA PLND NELLA DIAGNOSI DI METASTASI LINFONODALI
Gallina A et al, Eur Urol 52: 98–105, 2007
Gallina A et al, Eur Urol 52: 98–105, 2007
CARCINOMA PROSTATICO: OUTCOME
PROBABILITA’ DI RIPRESA BIOCHIMICA DI MALATTIA : MODELLI PRE E POST-OPERATORI
AUC:79% AUC:80%
Stephenson et al JNCI 98:715-7,2006 Kattan M et al J Clin Oncol 17:1499-1507, 1999
n development = 601 Seattlen validation 1 = 2963 Hamburgn validation 2 = 3178 Cleveland
accuracy: 79-81%accuracy: 78%accuracy: 78-86%
22
085
260
Total: 133
Prostate Cancer Gene 3 (PCA3): Development and InternalValidation of a Novel Biopsy Nomogram
Chun FK et al Eur Urol 2009,56:659-68
Accuratezza predittiva multivariata senza PCA3 = 67.9%Accuratezza predittiva multivariata con PCA 3 = 72.5% (p=0.04)
71% accuracy
88% accuracy
CARCINOMA PROSTATICO: SOPRAVVIVENZA
PROBABILITA’ DI SOPRAVVIVENZA A LUNGO TERMINE
Walz J et al JCO 25: 3676-81,2007
NOMOGRAM PREDICTING PCSMNOMOGRAM PREDICTING PCSM
Stephenson et al J Clin Oncol 27:4300-4305,2009
CI:82%
AUC:82%
NOMOGRAM PREDICTING PCSMNOMOGRAM PREDICTING PCSM
Stephenson et al J Clin Oncol 27:4300-4305,2009
NOMOGRAMMA: PUNTI DI FORZANOMOGRAMMA: PUNTI DI FORZA
Sviluppati su ampie coorti di pazienti
Analisi multivariate, sistematiche (prive di bias)
Valutazione dell’influenza di ogni singola variabile predittiva e del suo livello di accuratezza
Valutazione combinata dell’accuratezza di tutte le variabili predittive
Valutazione della interazione tra variabili
Strumento validato
Validazione dell’impatto sulla accuratezza predittiva di nuovi markers(aumento della accuratezza predittiva)
ANALISI PREDITTIVA INVIDUALE PER OGNI SINGOLO PAZIENTE!
PERCHE’ QUINDI I NOMOGRAMMI SONO UTILI?
PERCHE’ QUINDI I NOMOGRAMMI SONO UTILI?
1. Per una corretta informazione del paziente (counselling)
2. Ottimizzare la diagnosi
3. Pianificare il trattamento
4. Selezionare popolazioni a rischio (trattamenti adiuvanti)
5. Valutare l’impatto di variabili nel predire un determinato
end-point
NOMOGRAMMA: ALTERNATIVENOMOGRAMMA: ALTERNATIVE
SUDDIVISIONI IN CLASSI DI RISCHIOAccuratezza inferioreCategorizzazione in gruppi
NEURAL NETWORKSAccuratezza inferioreRichiedono infrastuttura telematicaMetodologicamente difficileNon valutabili le abilità predittive di ogni singola variabile
REGRESSION TREE E LOOK UP TABLESAccuratezza inferioreCategorizzazione in gruppi
I NOMOGRAMMI OFFRONO MODELLO DECISIONALE IDEALE
This approach consists of grouping patients with similarcharacteristics to discriminate between those at low-risk versusthose at high-risk for a specific event.
Although risk grouping is a logical approach, grouping patients isbased ont he erroneous assumption that all patients within a givengroup are equal!!
In addition, risk grouping requires the conversion ofcontinuous tocategorical variables, which limits information about the actualvalue.
Risk group is indeed composed of a mixture of patients and isonly useful for gauging the prognosis for that group of patients.
NOMOGRAMMI VS STRATIFICAZIONE IN CLASSI DI RISCHIO
CARCINOMA PROSTATICO: OUTCOME
NOMO VS D’AMICO RISK GROUPING
Hernandez et al Urology, 70: 931–935, 2007
Low risk: cT1-T2a, Gl≤6. PSA<10 ng/ml
Int.risk: T2b, Gl 7, PSA10-20 ng/ml
High risk: cT3, Gl 8-10, PSA >20 ng/ml
CARCINOMA PROSTATICO: OUTCOMENOMO VS D’AMICO RISK GROUPING
Kattan M et al J Natl Cancer Inst. 1998;90:766-71
5-yr HIGH RISK nomoGleason 8 + cT1 + PSA 8: 83%Gleason 8 + cT3+ PSA 14: 30%
5 yr HIGH RISK d’Amico50%
AUC:79%
NOMOGRAMMI VS STRATIFICAZIONE IN CLASSI DI RISCHIO
OUTCOME: 5-year BCR free survival
Chun FK et al BJU Int 99:794-800,2007
Risk factors: PSA >10 ng/mL, Gleason score of ≥7, clinical Stage T2b orgreater, or pretreatment prostate-specific antigen velocity >2.0 ng/mL/y)
IMPROVING PRE-OPERATIVE PREDICTION OF CSS IN HIGH RISK PTS:COMBINATION OF RISK FATORS
Nguyen Pl et al Int. J. Radiation Oncology Biol. Phys., 73: 659–664, 2009
The method of counting risk factors/variables shouldalso be avoided because this assumes that each variable exerts
an equal prognostic weight on the outcome, which is unlikelyto represent the true relationship between variables and
prognosis
ANN can be considered a computer intensive classification method.
It is a computational method that uses multifactorial analysis.
NOMOGRAMMI VS ARTIFICIAL NEURAL NETWORKS
The primary disadvantage ofan ANN is its black box quality, that is, without extra effort, it is difficult if not impossible to gain insight into a
problem based on an ANN model.
chun
NOMOGRAMMI VS ARTIFICIAL NEURAL NETWORKS
Chun FK et al BJU Int 99:794-800,2007
NOMOGRAMMI VS LOOK-UP TABLES
LOOK UP TABLES: PARTIN MUTUALLY EXCLUSIVE GROUPS
Partin A et al JAMA 277: 1445–1451, 1997Makarov et al Urology 69: 1095–1101, 2007
These tables underestimate the probability of established extracapsular extension (ECE) as a substantial proportion of patients with LNI and SVI will also have ECE.
NOMOGRAMMI VS LOOK-UP TABLES
Gallina A et al, Eur Urol 52: 98–105, 2007
NOMOGRAMMI VS LOOK-UP TABLES
Steuber et al J Urol 175, 939-944, 2006
SIDE SPECIFIC ECE
AUC:84%
NOMOGRAMMI VS LOOK-UP TABLES
Chun FK et al BJU Int 99:794-800,2007
WHEN TO PERFORM BONE SCAN IN PATIENTS WITH NEWLY DIAGNOSED PROSTATE CANCER
NOMOGRAMMI VS CART
Briganti A, Eur Urol, in press, 2010
AUC: 88%
CART analysis is a predictive model that uses nonparametric techniques to evaluate data. This approach has the capacity to account for complex relationships, and
presents the results in a clinically useful form
Conrad et al 159,2023-2029. June 1998Briganti A et al Eur Urol, 49:1019-26,2006Briganti A et al BJU Int 101 , 5 5 6 – 5 6 0, 2007
Briganti A et al BJU Int 101 , 5 5 6 – 5 6 0, 2007
DIFFICILE?www.nomogram.org
n=45 urologists(%)
(%)
Capitanio U et al Eur Urol 54:958-59,2008
CONCLUSIONI
I nomogrammi rappresentano strumenti predittivi facili da utilizzare
Sono basati sull’evidenza
Permettono di predire l’outcome del singolo paziente
Permettono di valutare graficamente l’influenza di ogni singola variabile
Molto accurati (più accurati degli altri strumenti disponibili)
Sono gli strumenti predittivi preferiti dai medici oncologi