Um Algoritmo de Aprendizado de Máquina Facilita a Predição de Prognóstico e Seleção de Tratamento para Carcinoma Hepatocelular Estágio C do Barcelona Clinic Liver Cancer

Resumo Objetivo: Dada sua heterogeneidade e diversos resultados clínicos, uma subclassificação precisa do carcinoma hepatocelular (CHC) estágio C do Barcelona Clinic Liver Cancer (BCLC-C) é necessária para determinar adequadamente o prognóstico do paciente e selecionar o tratamento. Desenho Experimental: Recrutamos 2.626 pacientes com CHC BCLC-C de múltiplos centros, compreendendo coortes de treinamento/teste (n = 1.693) e validação (n = 933). O modelo XGBoost foi escolhido pela melhor performance entre os modelos de aprendizado de máquina (ML). Os pacientes foram categorizados em subgrupos de baixo, intermediário, alto e muito alto risco com base no prognóstico estimado, e essa subclassificação foi nomeada de Classificação via Aprendizado de Máquina do BCLC-C (CLAM-C). Resultados: As áreas sob a curva de característica de operação do receptor (ROC) do CLAM-C para prever a sobrevida em 6, 12 e 24 meses dos pacientes com BCLC-C foram 0,800, 0,831 e 0,715, respectivamente – significativamente superiores às dos modelos convencionais, cujos resultados foram consistentes na coorte de validação. Os quatro subgrupos apresentaram sobrevidas medianas gerais significativamente diferentes, e essa diferença foi mantida entre vários subgrupos de pacientes e modalidades de tratamento. Inibidores de pontos de verificação imunológicos e terapias transarteriais estavam associados a uma sobrevida significativamente melhor do que inibidores da tirosina quinase (TKI) nos subgrupos de baixo e intermediário risco. Em casos com terapia sistêmica de primeira linha, o CLAM-C identificou atezolizumabe–bevacizumabe como a melhor terapia, especialmente no grupo de alto risco. Em casos com terapia sistêmica de linha posterior, nivolumabe teve melhor sobrevida do que TKIs no subgrupo de baixo a intermediário risco, enquanto TKIs apresentaram melhor sobrevida no subgrupo de alto a muito alto risco. Conclusões: A modelagem de ML classificou eficazmente os pacientes com CHC BCLC-C, potencialmente ajudando na alocação de tratamento. Nosso estudo destaca a potencial utilização da modelagem de ML em termos de prognóstico e alocação de tratamento em pacientes com CHC BCLC-C.