Tim istraživača sa Univerziteta u Oksfordu, predvođen Odeljenjem za primarnu zdravstvenu zaštitu Nufild, razvio je novi model koji pouzdano predviđa verovatnoću da će žena razviti, a zatim i umreti od raka dojke u roku od jedne decenije.
Studija, objavljena danas u The Lancet Digital Health, analizirala je anonimne podatke o 11,6 miliona žena starosti od 20 do 90 godina od 2000. do 2020. Sve ove žene nisu imale istoriju raka dojke, ili prekanceroznog stanja koje se zove „duktalni karcinom in situ“ ili DCIS.
Skrining raka dojke je vitalan, ali ima izazove. Iako smanjuje smrtnost od raka dojke, ponekad otkriva tumore koji nisu štetni („prekomerna dijagnoza“), što dovodi do nepotrebnih tretmana. Ovo ne samo da šteti nekim ženama, već i uzrokuje nepotrebne troškove NHS-u. Na svakih 10.000 žena u Ujedinjenom Kraljevstvu starosti 50 godina koje su pozvane na skrining dojke u narednih 20 godina, skriningom se spreče 43 smrti od raka dojke, ali će 129 žena biti „preterano dijagnostikovano“.
„Skrining zasnovan na riziku“ ima za cilj da personalizuje skrining na osnovu rizika pojedinca, da maksimizira koristi i minimizira nedostatke takvog skrininga. Prilagođavanje programa skrininga na osnovu individualnih rizika nedavno je istakao kao put za dalje unapređenje strategije skrininga od strane prof. Krisa Vitija.
Trenutno, u skriningu dojke zasnovanom na riziku, većina modela rizika funkcioniše procenom rizika žene od dijagnoze raka dojke. Međutim, nisu svi karcinomi dojke fatalni, a znamo da rizik od postavljanja dijagnoze nije uvek u skladu sa rizikom od umiranja od raka dojke kada se jednom dijagnostikuje.
Novi model koji je razvio tim radi na predviđanju 10-godišnjeg kombinovanog rizika žene od razvoja i smrti od raka dojke. Identifikovanje žena sa najvećim rizikom od smrtonosnih karcinoma moglo bi poboljšati skrining. Ove žene bi mogle da budu pozvane da počnu ranije sa skriningom, da budu pozvane na češće projekcije ili da budu pregledane različitim vrstama snimanja.
Takav personalizovani pristup mogao bi dodatno smanjiti smrtnost od raka dojke, a istovremeno izbegavati nepotreban skrining za žene sa nižim rizikom. Žene sa većim rizikom od razvoja smrtonosnog raka takođe bi se mogle razmotriti za tretmane koji pokušavaju da spreče razvoj raka dojke.
Profesor Julia Hippislei-Cok, profesor opšte prakse i epidemiologije i stariji autor sa Nufild odeljenja za primarnu zdravstvenu zaštitu na Univerzitetu u Oksfordu, rekla je: „Ovo je važna nova studija koja potencijalno nudi novi pristup skriningu. Rizik- zasnovane strategije mogle bi ponuditi bolju ravnotežu koristi i štete u skriningu raka dojke, omogućavajući više personalizovanih informacija za žene da pomognu u poboljšanju donošenja odluka.“
„Pristupi zasnovani na riziku takođe mogu pomoći u efikasnijem korišćenju resursa zdravstvenih usluga usmeravanjem intervencija na one koji će najverovatnije imati koristi. Zahvaljujemo se hiljadama lekara opšte prakse koji su dali anonimne podatke u bazu podataka KResearch bez kojih ovo istraživanje ne bi bilo moguće .“
Istraživači su testirali četiri različite tehnike modeliranja kako bi predvideli rizik od smrtnosti od raka dojke. Dva su bila tradicionalnija modela zasnovana na statistici i dva su koristila mašinsko učenje, oblik veštačke inteligencije. Svi modeli su uključivali iste vrste podataka, kao što su starost žene, težina, istorija pušenja, porodična istorija raka dojke i upotreba hormonske terapije (HRT).
Modeli su procenjeni zbog njihove sposobnosti da tačno predvide rizik u celini, iu različitim grupama žena, kao što su različite etničke pripadnosti i starosne grupe. Korišćena je tehnika koja se zove ‘interno-spoljna unakrsna provera’. Ovo uključuje podelu skupa podataka na strukturno različite delove, u ovom slučaju, po regionu i vremenskom periodu, da bi se razumelo koliko dobro se model može transportovati u različita podešavanja.
Rezultati su pokazali da je jedan statistički model, razvijen korišćenjem ‘regresije konkurentskih rizika’, pokazao najbolje rezultate. Najtačnije je predvideo koje će žene razviti i umrijeti od raka dojke u roku od 10 godina. Modeli mašinskog učenja bili su manje tačni, posebno za različite etničke grupe žena.
Dr Ashlei Kieran Clift, prvi autor i saradnik za kliničko istraživanje na Nuffield Odeljenju za primarnu zdravstvenu zaštitu Univerziteta u Oksfordu, rekla je: „Bili smo u mogućnosti da istražimo različite pristupe za razvoj alata koji bi mogao biti od pomoći za nove, zasnovane na riziku strategije javnog zdravlja“.
„Ako dalje studije potvrde tačnost ovog novog modela, on bi se mogao koristiti za identifikaciju žena sa visokim rizikom od smrtonosnog raka dojke koje bi mogle imati koristi od poboljšanog skrininga i preventivnih tretmana.“
Profesor Stavros Petrou, koautor i rukovodilac zdravstvene ekonomije na Nufild odeljenju za primarnu zdravstvenu zaštitu Univerziteta u Oksfordu, rekao je: „Ovaj rad je zauzeo novi pristup i pitao: „Možemo li predvideti koje su žene u najvećem riziku od razvoja rak koji će ih ubiti?’ Mogli bismo da iskoristimo te informacije da bolje ciljamo skrining ili čak za strategije prevencije onima koji imaju najviše koristi.“
„Dalja procena konkurentskog modela rizika bi trebalo da uključi procenu modela u drugačijem okruženju, kao što je drugi skup podataka iz UK ili inostranstva.“
