Neues Prognosemodell verbessert Überlebensvorhersage für Patienten mit Wirbelsäulenmetastasen

Wirbelsäulenmetastasen, die Ausbreitung von Krebs auf die Wirbelsäule, sind eine häufige Komplikation bei fortgeschrittenem Krebs. Es verursacht häufig starke Schmerzen und Lähmungen, die die Lebensqualität erheblich beeinträchtigen.

Für Patienten mit einer günstigen Prognose kann eine Operation eine Option sein, während für Patienten mit begrenzter Lebenserwartung eine Palliativversorgung empfohlen werden kann. Eine genaue Prognose ist für die Auswahl einer geeigneten Behandlung unerlässlich. Herkömmliche Bewertungssysteme basieren jedoch auf veralteten Daten und spiegeln nicht die jüngsten Fortschritte in der Krebstherapie wider, die zu verbesserten Überlebensraten geführt haben.

In einer kürzlich in der Zeitschrift veröffentlichten Studie Wirbelsäulehaben Forscher der Nagoya University Graduate School of Medicine ein einfaches, hochpräzises prognostisches Vorhersagesystem eingeführt, das auf der Grundlage umfangreicher prospektiver Daten von Patienten mit Wirbelsäulenmetastasen entwickelt wurde, die moderne Krebsbehandlungen erhielten.

Traditionelle Überlebensvorhersagemodelle in der klinischen Praxis verwenden Daten aus den 1990er und 2000er Jahren. Diese Modelle spiegeln die Auswirkungen moderner onkologischer Therapien wie molekular gezielter Therapien und Immun-Checkpoint-Inhibitoren nicht vollständig wider.“

Sadayuki Ito, Assistenzprofessor, Erstautor der Studie

Die meisten herkömmlichen Vorhersagemodelle nutzen auch retrospektive Krankenakten, während chirurgische Entscheidungen genaue Echtzeitmodelle auf der Grundlage prospektiver Daten erfordern. Obwohl das Sammeln prospektiver Daten zeitaufwändig und kostspielig ist, ermöglicht es Ärzten und Pflegekräften, objektive Bewertungen anhand standardisierter Kriterien vorzunehmen.

Aus dieser Perspektive arbeiteten Dr. Ito, Professor Shiro Imagama, außerordentlicher Professor Hiroaki Nakashima und ihre Kollegen daran, ein hochpräzises Echtzeitmodell auf der Grundlage prospektiver Daten zu entwickeln.

Ein moderner Umgang mit Daten

Die Forscher führten eine groß angelegte, multizentrische prospektive Studie durch. Sie analysierten 401 Patienten, die sich zwischen 2018 und 2021 in 35 medizinischen Einrichtungen in ganz Japan einer Operation wegen Wirbelsäulenmetastasen unterzogen hatten.

Das Team nutzte die logistische Regression des Least Absolute Shrinkage and Selection Operator (LASSO), eine Methode des maschinellen Lernens, um signifikante Prädiktoren für das einjährige Überleben zu identifizieren. Die Modellleistung wurde anhand der Fläche unter der Receiver Operating Characteristic Curve (AUROC) und Kalibrierungsdiagrammen bewertet.

Fünf wichtige Prädiktoren

Das Modell nutzte fünf präoperative Faktoren, die Ärzte ohne spezielle elektronische Geräte beurteilen können:

• Vitalitätsindex (Komponente „Wake Up“): Spiegelt die Motivation und die psychische Gesundheit des Patienten wider;
• Alter: Insbesondere, ob der Patient 75 Jahre oder älter ist;
• ECOG-Leistungsstatus: Misst die funktionelle Beeinträchtigung des Patienten;
• Knochenmetastasen: Vorhandensein von Krebs in Knochen außerhalb der Wirbelsäule; Und
• Opioidkonsum: Präoperativer Opioidkonsum, da hohe Dosen zu einer Immunsuppression führen und das Fortschreiten des Tumors beschleunigen können.

Ergebnisse und Risikostratifizierung

Das Modell erreichte eine hohe Vorhersagegenauigkeit (AUROC = 0,762) und klassifizierte Patienten in drei Risikogruppen:

• Geringes Risiko: 82,2 % Ein-Jahres-Überlebensrate
• Mittleres Risiko: 67,2 % Ein-Jahres-Überlebensrate
• Hohes Risiko: 34,2 % Ein-Jahres-Überlebensrate

Dieses einfache Bewertungssystem ermöglicht es Chirurgen, fundiertere Entscheidungen darüber zu treffen, wer sich einer Operation unterziehen sollte und wie die postoperative Versorgung individuell angepasst werden kann.

Zukunftsaussichten

Obwohl das aktuelle Modell auf japanischen klinischen Daten basiert, wollen die Forscher es weltweit anwenden. „Unser nächster Schritt besteht darin, dieses System mit Daten von medizinischen Einrichtungen weltweit zu validieren, um sicherzustellen, dass es Patienten weltweit helfen kann“, schloss Dr. Ito.

Quellen: