pov3-21

ONCOLOGY
BULLETIN
OF THE VOLGA REGION Vol. 12, no. 3. 2021
As part of this review, models based on various statistical modeling methods were considered: logistic regression, artificial neural
networks, mathematical modeling, Cox proportional hazards method, etc.
To ease perception of the material, existing models were grouped into the following groups: models predicting individual risk of
ovarian cancer development, models for differential diagnosis of ovarian neoplasia, predictive models for treatment selection, and
models predicting disease progression.
Key words: prediction of individual risk of ovarian cancer, predictive models of ovarian cancer, prognostic models of ovarian cancer,
ovarian cancer recurrence.
Введение
Рак яичников неизменно сохраняет лидирующие
позиции в структуре женской онкологической
смертности, при этом в течение последних
трех десятилетий в среднем наблюдается 15%
сокращение смертности [1]. Это свидетельствует
как об улучшении ранней диагностики, так и об
улучшении протоколов комбинированного лечения
[2, 3].
Все же, актуальность данного заболевания не
только заставляет исследователей искать пути
улучшения показателей общей 5-летней и безрецидивной
выживаемости, но и интегрировать
логарифмически растущие научные данные
в интуитивные и практические прогностические
модели, понятные как для врачей, так и для пациентов.
Целью настоящего исследования было проанализировать
существующие данные относительно
прогностических и предиктивных моделей,
которые прогнозируют риск развития рака
яичников, эффективность химиотерапевтического
или хирургического лечения, а также вероятность
прогрессирования заболевания.
Некоторые авторы подчеркивают разницу
между терминами «прогностические» и «предиктивные»
модели. Прогностические модели
относятся к предсказыванию «прогноза» заболевания,
такого как общая 5-летняя или безрецидивная
выживаемость, на основании данных
пациентов и уровней онкомаркеров. Прогностические
модели не рассматривают эффективность
лечения. В отличие от них предиктивные модели
прогнозируют эффективность той или иной схемы
лечения [4, 5].
Прогностические модели, оценивающие
индивидуальный риск развития рака яичников
В данной категории объединены прогностические
модели, которые оценивают индивидуальный
риск женщин в течение своей жизни столкнуться
с диагнозом рак яичников. Эти модели
в совокупности анализируют факторы риска и
факторы протекторы, и в удобной для пользователей
форме стратифицируют риск. Подобные
модели обычно доступны на онлайн ресурсах
для пациентов и одинаково полезны как для
общего женского населения (желающих оценить
свой риск и предпринять индивидуальные меры
по защите), так и для докторов (для разработки
превентивных мер в популяции с высоким риском)
[6].
С помощью моделей, разработанных в 2015 году
Pearce C.L., Stram D.O., Ness R.B. и соавторами
при помощи 5 основных прогностических маркеров:
прием оральных контрацептивов, количество
родов, перевязка труб, эндометриоз и наличие
в семье у родственников первой линии рака
яичников, оценивался пожизненный риск рака
яичников на крупнейшей общепопуляционной
базе данных США. Авторы пришли к выводу, что
в общей популяции пожизненный риск рака яичников
варьирует от 0,35% (очень низкий риск)
до 8,8% (средний риск). При этом, у большинства
пациенток с высоким риском отсутствовал риск
наследственности [7].
Среди похожих моделей стоит упомянуть модели
BRCAPRO, BODICEA, Myriad II), у которых
ключевым моментом является учет статуса BRCA
(англ. Breast Related Cancer Antigen — раковый
антиген связанный с молочной железой) [8, 9].
В некоторых современных прогностических
моделях, помимо мутаций BRCA, также включены
так называемые единичные нуклеотидные
полиморфизмы (англ. SNP-single nucleotide
polymorphism).
Примером такого алгоритма может служить
CanRisk (BOADICEA V). BOADICEA (англ. — Breast
and Ovarian Analysis of Disease Incidence and
Carrier Estimation Algorithm — Анализ заболеваемости
молочной железы и яичников и алгоритм
оценки носительства). BOADICEA V являет-
Clinical research
57