Entwicklung und Validierung eines präoperativen Nomogramms zur Vorhersage positiver chirurgischer Resektionsränder nach laparoskopischer radikaler Prostatektomie
Prostatakrebs bleibt ein globales Gesundheitsproblem und ist die dritthäufigste Todesursache bei Männern. Die laparoskopische radikale Prostatektomie (LRP) ist eine primäre kurative Therapieoption bei lokalisiertem Prostatakarzinom. Positive chirurgische Resektionsränder (PSM), definiert als Tumorzellen an der eingefärbten Oberfläche des resezierten Gewebes, treten jedoch in etwa 20–35 % der Fälle auf und korrelieren stark mit ungünstigen Ergebnissen wie biochemischem Rezidiv, Lokalrezidiv und Metastasierung. Trotz der klinischen Relevanz von PSM existieren kaum präoperative Tools zur Risikostratifizierung. Diese Studie zielte darauf ab, ein präoperatives Nomogramm zur Vorhersage von PSM nach LRP zu entwickeln und zu validieren, um die chirurgische Planung zu optimieren.
Studiendesign und Patientenkollektiv
Retrospektiv analysiert wurden 418 Patienten, die zwischen Januar 2010 und März 2016 an der Peking Universität ohne neoadjuvante Therapie eine LRP erhielten. Bei 81 Patienten führte unvollständige Daten zum Ausschluss. Das mediane Alter betrug 70 Jahre (Interquartilsbereich [IQR]: 65–75), wobei 34 % (142/418) PSM in der Pathologie aufwiesen. Unter den PSM-Fällen zeigten 18,3 % solitäre apikale, 34,5 % solitäre nicht-apikale und 47,2 % multiple Resektionsränder.
Präoperative Variablen umfassten Alter, BMI, Gesamt-PSA (tPSA), fPSA/tPSA-Verhältnis, digital-rektale Untersuchung (DRE), Biopsie-Gleason-Score, klinisches Stadium (TNM 2012), Prozentsatz positiver Biopsiekerne und Operateur-Erfahrung. Die pathologische Aufarbeitung folgte den ISUP-2005-Kriterien.
Statistische Methodik
Uni- und multivariable logistische Regressionen identifizierten Prädiktoren für PSM. Kontinuierliche Variablen (z. B. Alter, tPSA) wurden mit restriktiven kubischen Splines modelliert, um nichtlineare Zusammenhänge abzubilden. Die Knotenauswahl erfolgte über das Akaike-Informationskriterium (AIC). Fehlende Daten wurden mittels Erwartungs-Maximierungs-Algorithmen (kontinuierlich) oder als separate Kategorien (kategorisch) behandelt.
Das finale Nomogramm integrierte vier Variablen: Prozentsatz positiver Biopsiekerne, klinisches Stadium, fPSA/tPSA-Verhältnis und Alter. Die Modellperformance wurde mittels Konkordanzindex (C-Index), Kalibrationskurven und Entscheidungskurvenanalyse (DCA) bewertet. Bootstrap-Validierung (1.000 Resamples) prüfte Überanpassung.
Hauptergebnisse
Prädiktoren für positive Resektionsränder
- Prozentsatz positiver Biopsiekerne: Jeder 1 %-Anstieg erhöhte das PSM-Risiko um 2 % (Odds Ratio [OR]: 1,02; 95 %-KI: 1,01–1,03; P<0,001).
- Klinisches Stadium: Höhere Stadien (T2: OR 3,91; T3: OR 5,49; T4: OR 15,08) zeigten steigendes Risiko (P<0,05).
- fPSA/tPSA-Verhältnis: Ein niedrigeres Verhältnis korrelierte mit höherem PSM-Risiko (OR: 0,96; P=0,01).
- Alter: U-förmiger Zusammenhang – höchstes Risiko bei <65 bzw. >75 Jahren.
Modellperformance
Der C-Index betrug 0,722 (Entwicklungskohorte) und 0,700 nach Bootstrap-Validierung. Kalibrationskurven zeigten eine mittlere absolute Abweichung von 2,0 %. Die DCA bestätigte klinischen Nutzen im Schwellenbereich von 20–70 %.
Klinische Bedeutung
Das Nomogramm ermöglicht eine risikoadaptierte Chirurgie: Hochrisikopatienten (z. B. fortgeschrittenes Stadium, hohe Biopsie-Positivität) profitieren von weiterem Resektionsrand oder adjuvanten Therapien, während bei Niedrigrisikopatienten nervenerhaltende Techniken erwogen werden können.
Limitationen und Kontext
Die PSM-Rate (34 %) übersteigt westliche Kohorten (15–20 %), möglicherweise bedingt durch nicht-robotische LRP, spätere Diagnosestellung in China sowie anatomische/genetische Faktoren. Intraoperative Variablen (z. B. Nervenerhalt) wurden nicht berücksichtigt. Retrospektives Design und fehlende externe Validierung limitieren die Generalisierbarkeit.
Fazit
Das präoperative Nomogramm zeigt robuste Prädiktionsleistung für PSM nach LRP. Zukünftige Studien sollten das Modell in roboterassistierten Kohorten validieren und bildgebende Biomarker (z. B. MRT) integrieren.
doi.org/10.1097/CM9.0000000000000161