IKNL en MAASTRO Clinic realiseren model voorspellen overleving longkanker

Het TNM-classificatiesysteem wordt regelmatig geactualiseerd aan de hand van nieuwe wetenschappelijke inzichten. Deze periodieke updates kunnen een potentiële breuk veroorzaken met bestaande gegevens in databanken, waaronder de Nederlandse Kankerregistratie (NKR). Opnieuw classificeren van deze gegevens is niet altijd mogelijk. Het kost bovendien veel tijd en vereist aanvullende data. Melle Sieswerda (IKNL) en collega’s ontwikkelden daarom een Bayesiaans-netwerk voor de reclassificatie van de 5^e, 6^e en 7^e TNM-editie. Voor het trainen van het netwerk werden geen data gebruikt (met vooraf inzage) van de werkelijke TNM-classificatie, maar werd de relatie tussen TNM-stadium en overleving ingezet als leercurve.

Studieopzet

De onderzoekers begonnen met het verzamelen van data van 146.084 patiënten uit de NKR. Vervolgens werd het Bayesiaans-netwerk ontwikkeld met knooppunten voor de TNM-editie en overleving, een groep knooppunten voor alle TNM-edities en een groep voor uitsluitend editie 7. Voordat de conditionele kansen met behulp van data werden geleerd, werden handmatig eerdere relaties tussen de groepen gespecificeerd na analyse van de veranderingen tussen de edities.

Uitsluitend ter evaluatie werd een deel van de testdata van de 7^e TNM-editie handmatig gereclassificeerd naar de 6^e editie. De prestaties van het Bayesiaans-netwerk werden geëvalueerd op gebied van sensitiviteit, specificiteit en accuraatheid. Vervolgens werd de 2-jaarsoverleving geëvalueerd met de zogeheten ‘receiver operating characteristic – area under the curve’ (ROC AUC) en de kalibratie van het model gevisualiseerd.

Resultaten

Handmatige reclassificatie van de stadiumgroep volgens de 7^e en 6^e editie als fundament voor de testprocedure was bij 5,6% van de patiënten onmogelijk. Het voorspellen van de stadiumgroepen in de 6^e editie met behulp van de 7^e editie en vice versa leverde een gemiddelde accuraatheid, sensitiviteit en specificiteit op tussen 85% en 99%. De AUC voor de 2-jaarsoverleving was 81%.

Conclusie en betekenis

Melle Sieswerda en collega’s concluderen dat zij met succes een Bayesiaans-netwerk hebben ontwikkeld voor het reclassificeren van TNM-stadiumgroepen voor diverse TNM-edities. Ook is het gelukt de overleving van patiënten met niet-kleincellig longcarcinoom te voorspellen zonder dat er vooraf kennis was van de werkelijke TNM-classificatie op basis van de trainingsdata van deze edities.

Verder stellen de onderzoekers dat binaire voorspelling van de overleving minder relevant is dan de voorspelde kans en modelkalibratie. Met andere woorden: het is beter om een aantal uitkomsten tegelijk te voorspellen: kans op overlijden binnen 6 maanden, tussen 6-12 maanden, 12-24 maanden en meer dan 2 jaar door het Bayesiaans-netwerk, incl. voorspelde waarschijnlijkheid.

Toepassing onderzoek

Voor onderzoeksdoeleinden kunnen deze kansberekeningen worden gebruikt voor gewogen reclassificatie van oudere data. De parameters in het huidige model zijn geënt op specifieke omstandigheden in Nederland. Maar aangezien diagnose, behandeling en overleving van niet-kleincellig longcarcinoom vergelijkbaar zijn in Westerse en ontwikkelde landen, verwachten de onderzoekers dat dit Bayesiaans-netwerk ook in het buitenland kan worden gebruikt. In dat geval is nog wel validatie nodig. Tot slot verwachten zij dat dit model ook kan werken voor andere kankersoorten en TNM-edities, maar dit vraagt eerst om aanvullend onderzoek. 

• Melle S. Sieswerda, Inigo Bermejo, Gijs Geleijnse, Mieke J Aarts, Valery E.P.P. Lemmens, Dirk De Ruysscher, André L.A.J. Dekker, Xander A.A.M. Verbeek. Predicting Lung Cancer Survival Using Probabilistic Reclassification of TNM Editions With a Bayesian Network. JCO Clin Cancer Inform. 2020 May.
• Meer informatie over deze publicatie is verkrijgbaar via bibliotheek@iknl.nl