Entwicklung klinisch zugänglicher Nomogramme zur Vorhersage des Risikos für Hirnmetastasen zu Beginn und in der Nachsorge bei Patienten mit nicht-kleinzelligem Lungenkarzinom.

2035 Hintergrund: Hirnmetastasen (BM) sind eine häufige Komplikation beim nicht-kleinzelligen Lungenkarzinom (NSCLC). Zuverlässige Modelle zur Vorhersage des Risikos für die Entwicklung von BM fehlen, was ein effektives zentrales Nervensystem-Screening und die Prognose von Patienten erschwert. In der Ära der Präzisionsmedizin sind dies wichtige Lücken in unserem Wissen. Die Ziele dieser Studie waren 1) die Bewertung veröffentlichter BM-Risikostratifikationsalgorithmen und 2) die Entwicklung von Nomogrammen zur Vorhersage der BM-Inzidenz. Methoden: In einer retrospektiven Kohorte von NSCLC-Patienten aus dem Penn State Health (2011-2020) haben wir 1) die Leistung der systematisch identifizierten veröffentlichten BM-Risikostratifikationsalgorithmen bewertet und 2) Nomogramme zur Vorhersage des Risikos für BM-Inzidenz entwickelt. Für Ziel 1 wurden die veröffentlichten Algorithmen anhand von AUROCs aus logistischen Regressionsmodellen bewertet. Für Ziel 2 wurden Cox-proportionale Hazard-Modelle unter Verwendung von L1-Regularisierung trainiert, und es wurden Nomogramme konstruiert, um das Risiko für BM nach 6 Monaten, 1 Jahr und 2 Jahren Nachsorge vorherzusagen. Es wurden zwei separate Nomogramme entwickelt: Modell T0 verwendete nur klinische und bildgebende Daten, die zum Zeitpunkt der Diagnose verfügbar waren, während Modell T1 zusätzliche molekulare Merkmale und die Behandlungshistorie nutzte. Alle Modelle wurden mit 70 % der Daten trainiert und mit 30 % der Daten getestet. Zeitabhängige AUROC-Metriken für Nomogramme wurden unter Verwendung eines auf kumulativer Sensitivität und dynamischer Spezifität basierenden Schätzers berechnet. Ergebnisse: Unsere Kohorte umfasste 1904 Patienten (Medianalter 68, Bereich: 38 bis 94 Jahre, BM-Inzidenz 22,8 %). Ziel 1: 12 veröffentlichte Algorithmen wurden identifiziert, die Variablen verwendet haben, die konsistent in den Patientenakten verfügbar sind. Unter diesen war das Zhang 2021-Modell der beste Prädiktor für das kumulierte BM-Risiko (AUROC 95% CI = 0,89 0,85-0,93). Ziel 2: Modell T0 wurde unter Verwendung des Alters bei der Diagnose und des klinischen TNM-Stadiums trainiert und sagte die BM-Inzidenz nach 6 Monaten, 1 Jahr und 2 Jahren Nachsorge mit AUROCs von 0,87, 0,85 und 0,87 voraus. Modell T1 wurde mit zusätzlichen Prädiktoren trainiert, darunter die Anzahl der extra-k cranialen metastasierenden Stellen, die Behandlungshistorie (z. B. Strahlentherapie, Chirurgie, Chemotherapie usw.) und das Mutationsprofil (EGFR, KRAS, ALK, BRAF), und erzielte AUROCs von 0,90, 0,89 und 0,91 nach 6 Monaten, 1 Jahr und 2 Jahren Nachsorge. Distant metastasen zum Zeitpunkt der NSCLC-Diagnose (HR 95% CI = 3,38 2,28, 4,99) und die Anzahl der extra-k cranialen metastasierenden Stellen (HR 95% CI = 1,75 1,54, 1,99 pro zusätzliche Metastase) waren die stärksten unabhängigen Prädiktoren für das BM-Risiko. Schlussfolgerungen: Basierend auf einer der größten NSCLC-Kohorten bis heute haben wir klinisch zugängliche Nomogramme zur Vorhersage der Entwicklung von BM entwickelt. Dieses Werkzeug kann leicht für prognostische Modellierungen und Risikostratifikationen, die Verfeinerung von Praxisrichtlinien für das zentrale Nervensystem-Screening und die Patientenberatung angewendet werden.