Modèles ML explicables pour une compréhension plus approfondie de la décision de traitement pour le cancer de la prostate localisé

Rapports scientifiques volume 13, Numéro d'article : 11532 (2023) Citer cet article

390 accès

1 Altmétrique

Détails des métriques

Bien qu'il existe plusieurs outils d'aide à la décision pour le traitement du cancer localisé de la prostate (CaP), la cohérence et la certitude des informations fournies sont limitées. Notre objectif était de mieux comprendre le processus de décision de traitement et de développer un modèle de prédiction de décision prenant en compte les facteurs oncologiques, démographiques, socio-économiques et géographiques. Les hommes nouvellement diagnostiqués avec une ACP localisée entre 2010 et 2015 à partir de la base de données Surveillance, Epidemiology, and End Results Prostate with Watchful Waiting ont été inclus (n = 255 837). Nous avons conçu deux modèles de prédiction : (1) Surveillance active/attente vigilante (AS/WW), prostatectomie radicale (RP) et prédiction de décision de radiothérapie (RT) dans l'ensemble de la cohorte. (2) Prédiction des décisions AS/WW dans la cohorte à faible risque. La discrimination du modèle a été évaluée à l'aide de l'aire multiclasse sous la courbe (AUC). Une valeur plausible d'explications additives de Shapley a été utilisée pour expliquer les résultats de prédiction du modèle. Les variables oncologiques affectaient le plus les décisions de RP, alors que la RT était fortement affectée par des facteurs géographiques. Le graphique de dépendance représentait les interactions entre les caractéristiques pour parvenir à une décision de traitement. Le modèle de prédiction de décision a atteint une AUC multiclasse globale de 0,77, alors que 0,74 a été confirmée pour le modèle à faible risque. À l’aide d’une vaste base de données réelle basée sur la population, nous avons démêlé le processus de prise de décision complexe et visualisé les interactions de caractéristiques non linéaires dans une PCa localisée.

Représentant plus de 75 % des hommes nouvellement diagnostiqués avec un cancer de la prostate (CaP)1, le CaP localisé présente une hétérogénéité intertumorale et une diversité de groupes à risque remarquables2 ; ainsi, diverses options de traitement sont désormais proposées sans critères de décision solides.

En fait, aucun des traitements possibles, tels que l'observation (surveillance active (AS)/attente vigilante (WW)), la prostatectomie radicale (RP) ou la radiothérapie (RT), ne s'est avéré supérieur en termes de contrôle du cancer dans des cas localisés. maladie3, Ainsi, une décision de traitement initiale est souvent basée sur la stratification du risque d'ACP du patient et sur la préférence de traitement du patient et du médecin4,5. Cependant, dans le monde réel, la prise de décision est un processus complexe qui est non seulement affecté par les caractéristiques du cancer, mais également par divers facteurs régionaux et socio-économiques au niveau du patient, de l’État/du comté6. Une approche globale est donc absolument nécessaire pour les patients et les médecins. Afin de résoudre ce problème, il existe plusieurs aides à la décision (AD) pour les patients atteints d'ACP localisée7. Il existe cependant un manque d’uniformité entre ces aides à la décision et leurs performances8.

Un modèle d'apprentissage automatique explicable offre des avantages en permettant une compréhension plus approfondie des processus internes, tandis que le modèle lui-même entraîne ou prend des décisions et identifie les relations de cause à effet au sein des entrées et des sorties du système9. Dans cette étude, nous mettons en évidence le processus de décision de traitement complexe dans l'ACP localisée à l'aide de la prostate Surveillance, Epidémiologie et Résultats finaux (SEER) avec un ensemble de données d'attente vigilante (SEER/WW) via un modèle d'apprentissage automatique explicable. À l’aide de graphiques d’interaction à deux variables, notre objectif principal était de mieux comprendre les caractéristiques importantes associées à chaque modalité de traitement. Notre objectif secondaire était de développer un modèle de prédiction de décision de traitement prenant en compte les caractéristiques globales, notamment les facteurs oncologiques, géographiques (données au niveau du comté), démographiques et socio-économiques, qui ont été intégrés dans une plate-forme Web pour une utilisation dans la routine clinique quotidienne.

Nous avons identifié 255 837 hommes atteints d'ACP localisée nouvellement diagnostiquée et répondant aux critères d'inclusion et d'exclusion (Fig. 1 supplémentaire). Parmi ceux-ci, 26 389 (10,3 %) ont subi une AS/WW, 86 714 (33,9 %) ont subi une RP, 76 919 (30,8 %) ont subi une RT et 63 815 (24,9 %) ont subi d'autres traitements/inconnus, y compris un traitement par privation androgénique (TAD), combiné ADT et RT, etc. Dans le modèle de cohorte à faible risque (patients avec stade clinique T T1c et T2a, groupe 1 de grade Gleason et PSA ≤ 10 ng/mL, âge < 80), 79 633 patients ont été inclus. Parmi eux, 17 553 (22 %) ont subi une AS/WW et 62 080 (78 %) ont subi d’autres traitements tels qu’une thérapie de privation androgénique ou une thérapie focale.