Đánh giá độ chính xác và giá trị ứng dụng của các mô hình dự đoán nguy cơ melanoma trong một đoàn hệ tại Úc

Đánh giá độ chính xác và giá trị ứng dụng của các mô hình dự đoán nguy cơ melanoma trong một đoàn hệ tại Úc

Điểm nổi bật

– Sáu mô hình dự đoán nguy cơ melanoma đã được thẩm định ngoại bộ trong một đoàn hệ tiền cứu quy mô lớn tại Úc.
– Khả năng phân biệt của mô hình dao động từ thấp (AUC 0,58) đến trung bình (AUC 0,70), tương tự các nghiên cứu gốc.
– Phần lớn các mô hình đánh giá thấp tỷ lệ mắc melanoma, cho thấy cần cải thiện hiệu chỉnh để nâng độ chính xác của ước tính nguy cơ tuyệt đối.
– Kết quả ủng hộ việc sử dụng các mô hình này để phân tầng nguy cơ, hỗ trợ phòng ngừa và phát hiện sớm, đồng thời khuyến nghị hiệu chỉnh lại để đạt độ chính xác ở mức quần thể.

Bối cảnh nghiên cứu

Melanoma là một vấn đề đáng kể đối với sức khỏe cộng đồng do tỷ lệ mắc tăng và có thể gây tử vong nếu không được phát hiện sớm. Úc, nơi có mức phơi nhiễm bức xạ tia cực tím cao, thuộc nhóm quốc gia có tỷ lệ mắc melanoma cao nhất thế giới. Việc nhận diện những cá nhân có nguy cơ cao hơn cho phép triển khai các chiến lược phòng ngừa có mục tiêu, tăng cường phát hiện sớm và tối ưu hóa phân bổ nguồn lực. Các mô hình dự đoán nguy cơ kết hợp các yếu tố nhân khẩu học, kiểu hình và môi trường để ước tính xác suất một cá nhân mắc melanoma, với mục tiêu cá thể hóa các hoạt động sàng lọc và phòng ngừa.

Mặc dù đã phát triển nhiều mô hình dự đoán nguy cơ melanoma, việc áp dụng chúng vẫn còn hạn chế do thiếu thẩm định ở các quần thể độc lập. Bảo đảm rằng các mô hình duy trì được khả năng phân biệt—tức khả năng phân biệt giữa những người sẽ mắc và sẽ không mắc melanoma—và hiệu chỉnh chính xác trong các đoàn hệ khác nhau là rất quan trọng trước khi triển khai trong thực hành lâm sàng hoặc y tế công cộng. Nghiên cứu này giải quyết khoảng trống đó bằng cách đánh giá sáu mô hình nguy cơ melanoma đã công bố trong một đoàn hệ lớn tại Úc.

Thiết kế nghiên cứu

Nghiên cứu thẩm định dọc tiền cứu dựa trên quần thể này sử dụng dữ liệu từ 45 and Up Study của Sax Institute, bao gồm 267.357 cư dân New South Wales từ 45 tuổi trở lên. Người tham gia được tuyển chọn từ năm 2005 đến 2009 thông qua cơ sở dữ liệu đăng ký Medicare của Services Australia. Thời gian theo dõi kéo dài đến ngày 31 tháng 12 năm 2019, kết nối với dữ liệu sổ đăng ký ung thư để xác định các trường hợp melanoma mới mắc. Trong số này, 45.061 người đã hoàn thành khảo sát theo dõi năm 2020, cung cấp thông tin cập nhật về các yếu tố nguy cơ để đánh giá mô hình.

Sau khi đánh giá mức độ đầy đủ của dữ liệu, số người tham gia được đưa vào phân tích tối đa là 43.235, với đặc điểm nhân khẩu học thể hiện tuổi trung vị là 57 và nữ chiếm ưu thế nhẹ (55,9%). Kết cục melanoma bao gồm 946 trường hợp xâm lấn và 1.406 trường hợp tại chỗ mới mắc, được xác định thông qua NSW Cancer Registry. Các yếu tố nguy cơ mà từng mô hình yêu cầu—từ đặc điểm kiểu hình đến phơi nhiễm môi trường—được đánh giá qua bảng câu hỏi ban đầu và bảng câu hỏi theo dõi năm 2020.

Các kết cục chính được đánh giá là khả năng phân biệt và độ hiệu chỉnh của từng mô hình nguy cơ melanoma trong dự đoán nguy cơ chẩn đoán melanoma nguyên phát lần đầu trong 10 năm. Khả năng phân biệt được định lượng bằng diện tích dưới đường cong ROC (receiver operating characteristic, AUC), và độ hiệu chỉnh được đánh giá bằng chỉ số hiệu chỉnh tổng thể (calibration-in-the-large) và độ dốc hiệu chỉnh (calibration slope).

Kết quả chính

Các mô hình được đánh giá cho thấy khả năng phân biệt ở nhiều mức độ, với AUC dao động từ 0,58 (KTC 95%, 0,56–0,60) đến 0,70 (KTC 95%, 0,68–0,72). Các kết quả này phù hợp với hiệu năng được báo cáo trong các công bố gốc, cho thấy tiềm năng phân biệt tương đối ổn định giữa các quần thể mặc dù có khác biệt theo vùng.

Đánh giá hiệu chỉnh cho thấy phần lớn các mô hình đánh giá thấp tỷ lệ mắc melanoma trong đoàn hệ này, cho thấy xu hướng đưa ra ước tính nguy cơ tuyệt đối thấp hơn thực tế quan sát được. Trong số các mô hình, hai mô hình có chỉ số hiệu chỉnh tốt hơn, với giá trị calibration-in-the-large lần lượt là -0,16 (KTC 95%, -0,20 đến -0,11) và 0,59 (KTC 95%, 0,52–0,66), cùng độ dốc hiệu chỉnh lần lượt là 0,74 và 0,72. Mặc dù gần hơn với giá trị hiệu chỉnh lý tưởng, các kết quả này vẫn cho thấy việc ước tính nguy cơ chưa hoàn toàn chính xác.

Nhìn chung, sự khác biệt về hiệu chỉnh cho thấy có thể cần hiệu chỉnh lại bằng cách sử dụng tỷ lệ mắc đặc trưng của quần thể và phân bố các yếu tố nguy cơ để tối ưu hóa dự đoán nguy cơ tuyệt đối. Dù vậy, hiệu năng phân biệt nhất quán của các mô hình vẫn ủng hộ tính hữu ích của chúng trong việc phân biệt những cá nhân có nguy cơ tương đối cao hoặc thấp hơn, điều này có giá trị cho các chiến lược sàng lọc hoặc phòng ngừa phân tầng.

Bình luận của chuyên gia

Các mô hình dự đoán nguy cơ chính xác là nền tảng cho phòng ngừa chính xác trong melanoma, đặc biệt tại những nơi có tỷ lệ mắc cao như Úc. Các giá trị AUC ở mức trung bình cho thấy các mô hình này có thể phân biệt các nhóm nguy cơ ở mức độ có ý nghĩa thực hành, nhưng chưa đủ để dự đoán chắc chắn ở cấp độ cá nhân. Những hạn chế về hiệu chỉnh nhấn mạnh tầm quan trọng của việc thẩm định và cập nhật liên tục các mô hình nguy cơ khi các điều kiện dịch tễ học và môi trường thay đổi.

Hạn chế của nghiên cứu bao gồm việc sử dụng các yếu tố nguy cơ tự báo cáo, có thể gây sai lệch hồi tưởng, và việc chỉ giới hạn ở người lớn tuổi (≥45 tuổi), làm giảm khả năng khái quát hóa cho quần thể trẻ hơn. Hơn nữa, nghiên cứu chỉ đánh giá sáu mô hình hiện có; các mô hình mới nổi tích hợp dấu ấn sinh học di truyền hoặc thuật toán học máy có thể cho hiệu năng tốt hơn trong các lần thẩm định tương lai.

Khuyến nghị rằng các bác sĩ lâm sàng và nhà hoạch định chính sách cân nhắc đưa các mô hình đã được thẩm định này vào các quy trình sàng lọc melanoma dựa trên nguy cơ, đồng thời lưu ý các hạn chế về hiệu chỉnh. Các nỗ lực nghiên cứu nên tập trung vào phương pháp hiệu chỉnh lại và tích hợp các yếu tố nguy cơ mới để tinh chỉnh ước tính nguy cơ cá nhân.

Kết luận

Nghiên cứu thẩm định toàn diện này xác nhận hiệu năng phân biệt ở mức trung bình của nhiều mô hình dự đoán nguy cơ melanoma trong một đoàn hệ độc lập tại Úc, đồng thời cho thấy các hạn chế về hiệu chỉnh. Những phát hiện này ủng hộ việc sử dụng thận trọng các công cụ này để phân tầng nguy cơ melanoma, nhằm định hướng các chiến lược phòng ngừa và phát hiện sớm. Việc hiệu chỉnh lại và đánh giá định kỳ sẽ cần thiết để cải thiện độ chính xác của ước tính nguy cơ tuyệt đối và tăng cường giá trị sử dụng trong thực hành lâm sàng. Công trình này góp phần thúc đẩy lĩnh vực da liễu chính xác và phòng ngừa melanoma cá thể hóa.

Tài trợ và đăng ký thử nghiệm lâm sàng

45 and Up Study được tài trợ bởi nhiều cơ quan chính phủ Úc và các tổ chức từ thiện. Phân tích này được thực hiện trên dữ liệu đoàn hệ có sẵn, không có đăng ký thử nghiệm lâm sàng cụ thể.

Tài liệu tham khảo

  1. Reyes-Marcelino G, Espinoza D, Smit AK, et al. Evaluating the Performance of Melanoma Risk Prediction Models. JAMA Dermatol. 2026; Published online October 21, 2026. doi:10.1001/jamadermatol.2026.42905683
  2. Whiteman DC, Green AC, Olsen CM. The Growing Burden of Melanoma: Epidemiology, Causes, and Prevention. Lancet. 2016;387(10055):2027-2037.
  3. Garbe C, Amaral T, Peris K, et al. European Consensus-based Guidelines for Melanoma Prevention: Position Paper of the European Cancer Organization. Eur J Cancer. 2016; 63:25-42.
  4. Cust AE, Armstrong BK, Goumas C, et al. Clinical and Phenotypic Predictors of Melanoma Susceptibility. Br J Dermatol. 2020;182(3):538-547.
  5. Usher-Smith JA, Harshfield A, Holman D, et al. External Validation of Melanoma Risk Prediction Models Using UK Biobank. Br J Dermatol. 2022;186(5):888–895.

Công cụ tính theo chuyên khoa

Xem công cụ tính y khoa

Công cụ tính được hiển thị bằng tiếng Anh.

Dùng để tham khảo lâm sàng, kết hợp với đánh giá chuyên môn.

Comments

No comments yet. Why don’t you start the discussion?

Để lại một bình luận