الگوی جدیدی که خطر مرگ ناشی از سرطان سینه را در ۱۰ سال آینده پیش‌بینی می‌کند

به گزارش مجله خبری نگار، تیمی از محققان دانشگاه آکسفورد، به رهبری دپارتمان مراقبت‌های اولیه نافیلد، مدل جدیدی را توسعه داده‌اند که به طور قابل اعتمادی احتمال ابتلای یک زن به سرطان سینه و متعاقباً مرگ ناشی از آن را در عرض یک دهه پیش‌بینی می‌کند. این مطالعه که در مجله Lancet Digital Health منتشر شده است، داده‌های ناشناس از ۱۱.۶ میلیون زن ۲۰ تا ۹۰ ساله را بین سال‌های ۲۰۰۰ تا ۲۰۲۰ تجزیه و تحلیل کرده است. همه این زنان هیچ سابقه سرطان سینه یا شرایط پیش‌سرطانی نداشتند.

غربالگری مبتنی بر ریسک با هدف شخصی‌سازی غربالگری بر اساس ریسک فردی انجام می‌شود تا مزایا به حداکثر و معایب چنین غربالگری به حداقل برسد. تطبیق برنامه‌های غربالگری با ریسک فردی اخیراً توسط پروفسور کریس ویتی به عنوان راهی برای بهبود بیشتر برجسته شده است. در حال حاضر، اکثر مدل‌های ریسک برای غربالگری پستان مبتنی بر ریسک، خطر ابتلا به سرطان پستان را در یک زن تخمین می‌زنند. با این حال، همه سرطان‌های پستان کشنده نیستند و ما می‌دانیم که خطر تشخیص همیشه با خطر مرگ ناشی از سرطان پستان پس از تشخیص همبستگی خوبی ندارد.

مدل جدیدی که توسط این تیم توسعه داده شده است، خطر ترکیبی ۱۰ ساله ابتلا و متعاقباً مرگ ناشی از سرطان سینه را در یک زن پیش‌بینی می‌کند. شناسایی زنانی که در معرض بیشترین خطر ابتلا به سرطان کشنده هستند می‌تواند غربالگری را بهبود بخشد. این زنان را می‌توان تشویق کرد که غربالگری را زودتر شروع کنند، غربالگری‌های مکررتری انجام دهند یا با استفاده از انواع مختلف تصویربرداری غربالگری شوند. این رویکرد شخصی‌سازی شده می‌تواند مرگ و میر ناشی از سرطان سینه را بیشتر کاهش دهد و در عین حال از غربالگری غیرضروری زنان کم‌خطر جلوگیری کند. زنانی که در معرض خطر بیشتری برای ابتلا به سرطان کشنده هستند، همچنین می‌توانند برای درمان‌هایی که سعی در جلوگیری از ابتلا به سرطان سینه دارند، در نظر گرفته شوند.

پروفسور جولیا هیپیسلی-کاکس، استاد طب عمومی و اپیدمیولوژی و نویسنده ارشد از دانشکده مراقبت‌های اولیه نافیلد در دانشگاه آکسفورد، گفت: «این یک مطالعه مهم جدید است که به طور بالقوه رویکرد جدیدی را برای غربالگری ارائه می‌دهد. استراتژی‌های مبتنی بر ریسک ممکن است تعادل بهتری از مزایا و معایب در غربالگری سرطان سینه ارائه دهند، اطلاعات شخصی‌تری را در اختیار زنان قرار دهند و به بهبود تصمیم‌گیری کمک کنند. رویکرد‌های مبتنی بر ریسک همچنین ممکن است با هدف قرار دادن مداخلات به سمت افرادی که به احتمال زیاد سود می‌برند، به استفاده مؤثرتر از منابع خدمات بهداشتی کمک کنند. ما از هزاران پزشک عمومی که داده‌های ناشناس را در پایگاه داده QResearch ارائه دادند، تشکر می‌کنیم، که بدون آنها این تحقیق امکان‌پذیر نبود.»

محققان چهار روش مدل‌سازی مختلف را برای پیش‌بینی خطر مرگ و میر ناشی از سرطان سینه آزمایش کردند. دو مورد از آنها مدل‌های سنتی‌تر مبتنی بر آمار بودند، در حالی که دو مورد دیگر از یادگیری ماشینی، نوعی هوش مصنوعی، استفاده می‌کردند. همه مدل‌ها شامل داده‌های یکسانی مانند سن، وزن، سابقه سیگار کشیدن، سابقه خانوادگی سرطان سینه و استفاده از درمان هورمونی بودند.

این مدل‌ها از نظر توانایی‌شان در پیش‌بینی دقیق خطر به طور کلی و در بین گروه‌های مختلف زنان، مانند گروه‌های قومی و سنی مختلف، ارزیابی شدند. از روشی به نام "اعتبارسنجی متقابل داخلی-خارجی" استفاده شد. این روش شامل تقسیم مجموعه داده‌ها به بخش‌های ساختاری متمایز، در این مورد بر اساس منطقه و دوره زمانی، برای درک میزان قابلیت تعمیم مدل به محیط‌های مختلف است.

نتایج نشان داد که یک مدل آماری که با استفاده از رگرسیون ریسک‌های رقابتی توسعه داده شده بود، در مجموع بهترین عملکرد را داشت. این مدل با بیشترین دقت پیش‌بینی کرد که کدام زنان در طول ۱۰ سال به سرطان سینه مبتلا می‌شوند و بر اثر آن می‌میرند. مدل‌های یادگیری ماشین، به ویژه برای زنان از گروه‌های قومی مختلف، دقت کمتری داشتند.

دکتر اشلی کیران کلیفت از دانشگاه آکسفورد گفت: «اگر تحقیقات بیشتر، دقت این مدل جدید را تأیید کند، می‌توان از آن برای شناسایی زنانی که در معرض خطر بالای ابتلا به سرطان سینه کشنده هستند و می‌توانند از غربالگری و درمان پیشگیرانه بهبود یافته بهره‌مند شوند، استفاده کرد.»

پروفسور استاوروس پترو از دانشگاه آکسفورد افزود: «این مقاله رویکرد جدیدی را در پیش گرفت و این سوال را مطرح کرد: آیا می‌توانیم پیش‌بینی کنیم که کدام زنان در معرض بیشترین خطر ابتلا به سرطانی هستند که آنها را می‌کشد؟» ما می‌توانیم از این اطلاعات برای غربالگری هدفمندتر یا حتی تدوین استراتژی‌های پیشگیری برای کسانی که بیشترین سود را می‌برند، استفاده کنیم. ارزیابی بیشتر مدل خطرات رقابتی باید شامل ارزیابی مدل‌ها در سایر محیط‌ها، مانند مجموعه داده‌های متفاوت از بریتانیا یا خارج از کشور باشد.»