Adesão e otimização das diretrizes para teste de Risco de Recorrência/Prosigna usando um modelo de aprendizado de máquina: um estudo multicêntrico sueco

Resumo Objetivo Perfis de expressão gênica são usados para tomada de decisão no cenário adjuvante do câncer de mama receptor hormonal positivo, HER2 negativo (HR+/HER2-). Estudos anteriores relataram algoritmos para otimizar o uso do RS/Oncotype Dx, mas nenhum esforço focou em ROR/Prosigna. Buscamos melhorar a pré-seleção de pacientes antes do teste usando aprendizado de máquina. Métodos Mulheres pós-menopáusicas com câncer de mama HR+/HER2- ressecado e sem comprometimento nodal, testadas com ROR/Prosigna em quatro regiões suecas foram incluídas (n = 348). Usamos os resultados da avaliação ROR/Prosigna para comparar o desempenho de quatro classificações de risco em termos de sobretratamento e subtratamento. Desenvolvemos e validamos um modelo de aprendizado de máquina que compreende fatores prognósticos simples (tamanho, expressão do receptor de progesterona, grau e Ki67) para a predição do resultado ROR/Prosigna. Resultados A adesão às diretrizes alcançou 66,3%, com pacientes não testadas sendo mais velhas e apresentando mais comorbidades (p < 0,001). Classificações de risco anteriores levaram a subtratamentos excessivos (CTS5: 21,8%, definições de risco MINDACT/TailorX: 28,1%) ou grandes grupos intermediários que precisariam ser testados com perfis de expressão gênica (pontos de corte de Ki67 segundo Plan B: 86,5%). O modelo atingiu AUC sob ROC para previsão do resultado ROR/Prosigna de 0,77 no treinamento e 0,83 na coorte de validação. Ao definir e validar pontos de corte superiores e inferiores no modelo, conseguimos melhorar a estratificação correta de risco e diminuir a proporção de pacientes que precisam do teste ROR/Prosigna em comparação ao manejo atual. Conclusão Demonstramos a viabilidade de algoritmos de aprendizado de máquina para melhorar a seleção de pacientes para perfis de expressão gênica. São necessárias validações adicionais em coortes externas.