Nhấn mạnh
– Ghép gan (LT) thường mang lại tỷ lệ sống sót dài hạn tốt hơn so với phẫu thuật cắt bỏ (SR) đối với ung thư tế bào gan (HCC), nhưng sự khan hiếm nguồn hiến tặng và sự đa dạng của bệnh nhân làm phức tạp việc lựa chọn điều trị.
– Một nghiên cứu nhóm lớn Hàn Quốc đã phát triển các mô hình học máy (ML) riêng biệt để dự đoán tỷ lệ sống sót 3 năm sau LT hoặc SR và phân loại bệnh nhân thành các nhóm có lợi cho điều trị.
– Các mô hình ML đã thể hiện hiệu suất dự đoán mạnh mẽ; các phân tích giả định đề xuất rằng quyết định điều trị được hướng dẫn bởi ML có thể giảm nguy cơ tử vong hơn 50% so với thực hành lâm sàng hiện tại.
– Kiểm chứng bên ngoài xác nhận tính tái tạo, hỗ trợ khả năng ứng dụng lâm sàng của việc lựa chọn điều trị cá nhân hóa được hỗ trợ bởi ML cho HCC.
Nền tảng nghiên cứu và gánh nặng bệnh tật
Ung thư tế bào gan (HCC) là một nguyên nhân hàng đầu gây tử vong liên quan đến ung thư trên toàn thế giới, thường xuất hiện trong bối cảnh bệnh gan mạn tính. Các lựa chọn điều trị triệt để bao gồm phẫu thuật cắt bỏ (SR) và ghép gan (LT). LT thường mang lại hiệu quả sống sót dài hạn tốt hơn bằng cách loại bỏ cả khối u và gan xơ hóa. Tuy nhiên, sự khan hiếm nguồn hiến tặng, nguy cơ rơi khỏi danh sách chờ, và sự đa dạng đáng kể của bệnh nhân—như chức năng gan, gánh nặng khối u, và bệnh kèm theo—khiến việc lựa chọn tối ưu giữa LT và SR trở nên khó khăn. Các tiêu chuẩn lâm sàng hiện tại, như tiêu chuẩn Milan hoặc UCSF, cung cấp hướng dẫn nhưng có hạn chế trong việc dự đoán cá nhân hóa. Do đó, cần một công cụ hỗ trợ quyết định dựa trên dữ liệu để cá nhân hóa chiến lược điều trị, cân nhắc lợi ích sống sót với các ràng buộc về nguồn lực.
Thiết kế nghiên cứu
Nghiên cứu này sử dụng dữ liệu từ Đăng ký Trung ương Ung thư Hàn Quốc, bao gồm 3915 bệnh nhân HCC đã nhận LT hoặc SR như một phương pháp điều trị triệt để từ năm 2008 đến 2018, tạo thành nhóm phát sinh. Nhóm LT và SR có các đặc điểm lâm sàng khác nhau, với bệnh nhân LT trẻ hơn nhưng có bệnh gan tiến triển hơn và chức năng gan kém hơn so với bệnh nhân SR. Đặc điểm khối u cũng khác nhau, với bệnh nhân LT có khối u nhỏ hơn nhưng nhiều hơn.
Một nhóm kiểm chứng bên ngoài độc lập bao gồm 614 bệnh nhân HCC được điều trị tại Bệnh viện Seoul St Mary từ năm 2009 đến 2020.
Các thuật toán học máy (ML) riêng biệt đã được phát triển cho bệnh nhân LT và SR để ước tính tỷ lệ sống sót 3 năm (OS). Nghiên cứu đã so sánh nhiều mô hình ML, bao gồm máy hỗ trợ vectơ và tăng cường gradiente (CatBoost). Các biến lâm sàng quan trọng bao gồm dữ liệu nhân khẩu học, chỉ số mức độ nghiêm trọng của bệnh gan (ví dụ, xơ gan, albumin, bilirubin), kích thước và số lượng khối u, và giá trị phòng thí nghiệm.
Bệnh nhân được phân loại thành các nhóm nguy cơ cao và thấp dựa trên OS dự đoán cho mỗi phương pháp điều trị, xác định các nhóm có lợi và không có lợi cho LT. Phân tích giả định mô phỏng kết quả sống sót nếu quyết định điều trị được hướng dẫn bởi ML đã được áp dụng thay vì quyết định lâm sàng thực tế.
Kết quả chính
Nhóm phát sinh bao gồm 296 bệnh nhân LT và 3619 bệnh nhân SR, chủ yếu là nam giới (khoảng 80%), với độ tuổi trung bình từ giữa 50 đến cuối 50. Bệnh nhân LT có tỷ lệ mắc xơ gan cao hơn (26.4% so với 19.3%; P=.005), encephalopathy gan (6.8% so với 0.3%; P<.001), và ascites (19.9% so với 4.2%; P<.001). Chỉ số chức năng gan cho thấy các hồ sơ xấu hơn ở bệnh nhân LT, bao gồm albumin thấp hơn (trung vị 3.4 so với 4.2 g/dL), bilirubin cao hơn (trung vị 1.4 so với 0.7 mg/dL), và INR kéo dài.
Đặc điểm khối u cho thấy bệnh nhân LT có khối u nhỏ hơn (trung vị 2.3 cm so với 3.2 cm; P<.001) nhưng số lượng khối u cao hơn (trung bình 1.6 so với 1.2; P<.001).
Về hiệu suất dự đoán, mô hình máy hỗ trợ vectơ cho thấy AUROC (diện tích dưới đường cong đặc trưng hoạt động nhận dạng) cao nhất là 0.82 (95% CI, 0.78-0.86) trong nhóm LT, trong khi CatBoost thể hiện AUROC tối ưu là 0.79 (95% CI, 0.78-0.80) cho nhóm SR, cho thấy khả năng phân biệt tốt trong dự đoán sống sót.
Bằng cách phân loại bệnh nhân thành các nhóm có lợi và không có lợi cho LT thông qua các mô hình ML, các tác giả đã xác định những người có khả năng hưởng lợi nhiều nhất từ LT so với SR, xem xét các đặc điểm lâm sàng cá nhân.
Phân tích sống sót giả định ước tính rằng quyết định điều trị được hướng dẫn bởi ML có thể giảm nguy cơ tử vong 54% so với thực hành lâm sàng quan sát (tỷ lệ nguy cơ [HR] 0.46; 95% CI, 0.42-0.50; P<.001). Kiểm chứng bên ngoài trong nhóm độc lập xác nhận các kết quả này, hỗ trợ tính tổng quát của mô hình.
Bình luận chuyên gia
Nghiên cứu này minh họa cách học máy tiên tiến có thể hỗ trợ quyết định chi tiết, cá nhân hóa trong các tình huống ung thư phức tạp bị hạn chế bởi nguồn lực. Bằng cách tích hợp các biến lâm sàng đa dạng và dự đoán sống sót cho các phương pháp điều trị cạnh tranh, các mô hình ML cung cấp phân loại có thể hành động vượt xa các tiêu chuẩn truyền thống.
Mặc dù LT thường mang lại kết quả tốt hơn, nhiều bệnh nhân bị bất lợi do sự khan hiếm nguồn hiến tặng hoặc bệnh kèm theo cấm kỵ. Cách tiếp cận dựa trên ML cung cấp một khung để cân nhắc các ràng buộc này một cách hợp lý, có tiềm năng tối ưu hóa việc phân bổ cơ quan và cải thiện tỷ lệ sống sót tổng thể ở cấp độ dân số.
Hạn chế bao gồm thiết kế hồi cứu, các yếu tố nhiễu chưa được đo lường, và cần kiểm chứng triển vọng trên các dân số đa dạng. Các mô hình tốt như chất lượng dữ liệu đầu vào và có thể yêu cầu điều chỉnh lại trong các ngữ cảnh dân tộc hoặc địa lý khác nhau. Ngoài ra, tích hợp các dấu hiệu sinh học phân tử hoặc hình ảnh có thể tăng cường độ chính xác dự đoán.
Kết luận
Nghiên cứu này giới thiệu một mô hình hỗ trợ quyết định dựa trên học máy dự đoán chính xác tỷ lệ sống sót 3 năm trong bệnh nhân ung thư tế bào gan đang điều trị ghép gan hoặc phẫu thuật cắt bỏ. Lựa chọn điều trị cá nhân hóa được hướng dẫn bởi mô hình cho thấy hứa hẹn cải thiện kết quả sống sót bằng cách tùy chỉnh các phương pháp điều trị phù hợp với rủi ro và lợi ích cụ thể của bệnh nhân. Cách tiếp cận này có thể bổ sung cho các hướng dẫn lâm sàng hiện có và giúp giải quyết các thách thức quan trọng về sự khan hiếm nguồn hiến tặng và sự đa dạng của bệnh nhân. Các nghiên cứu triển vọng và kiểm chứng đa trung tâm trong tương lai sẽ rất quan trọng để xác nhận tính hữu ích lâm sàng và thúc đẩy tích hợp vào thực hành thường xuyên.
