Echtzeit-Validierung des prädiktiven Modells für chemotherapieinduzierte Übelkeit und Erbrechen und dessen Optimierung zur Identifizierung von Hochrisiko-Patienten in China
Chemotherapieinduzierte Übelkeit und Erbrechen (CINV) bleiben eine der häufigsten und belastendsten Nebenwirkungen bei Patienten, die sich einer Chemotherapie unterziehen. Trotz bedeutender Fortschritte in der antiemetischen Therapie ist die Inzidenz von CINV weiterhin hoch, was die Bedeutung wirksamer Präventionsstrategien unterstreicht. Aktuelle evidenzbasierte Leitlinien betonen die Notwendigkeit, sowohl das emetische Risiko der chemotherapeutischen Wirkstoffe als auch individuelle Patientenrisikofaktoren bei der Gestaltung antiemetischer Regime zu berücksichtigen. Im Laufe der Jahre wurden mehrere persönliche Faktoren als Prädiktoren für ein hohes CINV-Risiko identifiziert, darunter antizipatorische Übelkeit und Erbrechen, weibliches Geschlecht, jüngeres Alter, Vorgeschichte von morgendlicher Übelkeit und Angstzustände. Diese Faktoren wurden in verschiedene prädiktive Modelle integriert, um eine individualisierte antiemetische Prävention zu ermöglichen. Unter diesen wurde ein weit verbreitetes Modell im Jahr 2017 auf der Grundlage einer nicht-asiatischen Population entwickelt und in den Annals of Oncology veröffentlicht. Die Anwendbarkeit dieses Modells auf chinesische Patienten war jedoch nicht validiert. Diese Studie zielte darauf ab, diese Lücke zu schließen, indem sie eine Echtzeit-Validierung des bestehenden CINV-prädiktiven Modells durchführte und es für die Anwendung bei chinesischen Patienten optimierte.
Die Studie wurde mit Genehmigung der Ethikkommission des Allgemeinen Krankenhauses der Medizinischen Universität Tianjin durchgeführt, und alle Teilnehmer gaben ihre informierte Zustimmung. Die Patienten wurden aus zwei Institutionen rekrutiert: der Abteilung für medizinische Onkologie des Allgemeinen Krankenhauses der Medizinischen Universität Tianjin und der Abteilung für integrative traditionelle und westliche Medizin des Krebsinstituts und Krankenhauses der Medizinischen Universität Tianjin. Die Teilnehmer wurden in zwei Gruppen eingeteilt. Gruppe 1, bestehend aus Patienten des Allgemeinen Krankenhauses der Medizinischen Universität Tianjin, wurde zur Validierung und Optimierung des bestehenden prädiktiven Modells verwendet. Gruppe 2, bestehend aus Patienten des Krebsinstituts und Krankenhauses der Medizinischen Universität Tianjin, wurde zur Re-Validierung des optimierten Modells verwendet. Die Einschlusskriterien und Datenerhebungsverfahren wurden sorgfältig dokumentiert, um Konsistenz und Zuverlässigkeit zu gewährleisten.
Der erste Schritt der Studie bestand darin, die Assoziation von CINV-prädiktiven Faktoren mit dem Auftreten von CINV bei chinesischen Patienten zu analysieren. Dies wurde mit Hilfe einer multivariaten generalisierten Schätzgleichungsregression (GEE) durchgeführt. Odds Ratios und ihre 95%-Konfidenzintervalle (CIs) wurden berechnet, und die statistische Signifikanz wurde auf P < 0,05 festgelegt. Ziel war es, die Zuverlässigkeit und Genauigkeit des bestehenden CINV-prädiktiven Modells bei chinesischen Patienten zu validieren, indem sichergestellt wurde, dass jeder Prädiktor seine potenzielle Korrelation mit dem Auftreten von CINV zeigte.
Die Ergebnisse der Validierung zeigten, dass fünf Faktoren im bestehenden Modell den gleichen prädiktiven Wert bei chinesischen Patienten hatten wie in der ursprünglichen nicht-asiatischen Population. Unter diesen waren zwei Faktoren – Alter unter 60 Jahren und CINV im vorherigen Chemotherapiezyklus – statistisch signifikant. Vier Faktoren zeigten jedoch entgegengesetzte prädiktive Werte bei chinesischen Patienten im Vergleich zum bestehenden Modell. Dazu gehörten platin- oder anthrazyklinbasierte Chemotherapie, Zyklus 2 und Zyklus 3 oder später der Chemotherapie sowie weniger als 7 Stunden Schlaf in der Nacht vor der Chemotherapie. Da diese Faktoren nicht mit dem bestehenden Modell übereinstimmten, wurde geschlossen, dass ihre Aufnahme die prädiktive Zuverlässigkeit des Modells bei chinesischen Patienten beeinträchtigen könnte. Daher wurde eine Optimierung des Modells als notwendig erachtet.
Der Optimierungsprozess umfasste die Entfernung der Faktoren, die entgegengesetzte prädiktive Werte zeigten. Die verbleibenden Prädiktoren umfassten Alter unter 60 Jahren, antizipatorische Übelkeit und Erbrechen, Vorgeschichte von morgendlicher Übelkeit, Verwendung von Antiemetika zu Hause und CINV im vorherigen Zyklus. Diese Faktoren wurden dann in das optimierte Modell integriert. Die GEE-Regressionsanalyse bestätigte, dass alle diese verbleibenden Faktoren positive Prädiktoren für CINV waren. Die Güte der Anpassung des optimierten Modells wurde mit dem Hosmer-Lemeshow-Test bewertet, und ein Kalibrierungsdiagramm wurde erstellt, um die Übereinstimmung zwischen den vorhergesagten Wahrscheinlichkeiten und den beobachteten Ergebnissen zu bewerten. Die Ergebnisse zeigten eine gute Übereinstimmung, was darauf hindeutet, dass das optimierte Modell gut kalibriert war.
Um die klinische Nutzbarkeit des optimierten Modells zu verbessern, wurde ein Risikobewertungssystem auf der Grundlage der Regressionskoeffizienten jedes Prädiktors entwickelt. Der Gesamtrisikoscore reichte von 0 bis 7, wobei höhere Scores ein erhöhtes CINV-Risiko anzeigten. Den Patienten wurde ein Gesamtrisikoscore basierend auf dem Vorhandensein oder Fehlen der prädiktiven Faktoren zugewiesen. Eine ROC-Kurvenanalyse (Receiver Operating Characteristic) wurde durchgeführt, um die prädiktive Genauigkeit des Modells zu bewerten. Die Fläche unter der Kurve (AUC) betrug 0,629, mit einem 95%-Konfidenzintervall von 0,592 bis 0,665. Der Youden-Index wurde verwendet, um den optimalen Cutoff-Score zur Identifizierung von Hochrisiko-Patienten zu bestimmen. Ein Gesamtscore von 2 erwies sich als bester Cutoff, mit einer Sensitivität von 53,2 % und einer Spezifität von 76,0 %. Der positive prädiktive Wert (PPV) und der negative prädiktive Wert (NPV) des Modells betrugen 69,0 % bzw. 62,1 %.
Um das Modell weiter zu verfeinern, wurde eine zusätzliche ROC-Kurvenanalyse durchgeführt, die nur die Faktoren umfasste, die signifikant mit CINV assoziiert waren (antizipatorische Übelkeit und Erbrechen und CINV im vorherigen Zyklus). Die AUC für dieses reduzierte Modell betrug jedoch 0,610, was niedriger war als die des optimierten Modells, das alle positiven Prädiktoren enthielt. Diese Erkenntnis unterstützte die Aufnahme aller fünf Prädiktoren in das endgültige optimierte Modell, trotz der fehlenden statistischen Signifikanz für einige Faktoren. Die Entscheidung basierte auf ihrem konsistenten prädiktiven Wert in früheren Studien und der überlegenen prädiktiven Genauigkeit des vollständigen Modells.
Das optimierte Modell wurde dann mit einer separaten Gruppe von Patienten des Krebsinstituts und Krankenhauses der Medizinischen Universität Tianjin re-validiert. Diese Gruppe bestand aus 201 Patienten, die insgesamt 452 Chemotherapiezyklen durchliefen. Die multivariate GEE-Regression bestätigte, dass alle Faktoren im optimierten Modell positive Prädiktoren für CINV in der Re-Validierungsgruppe waren. Die ROC-Kurvenanalyse ergab eine AUC von 0,685, mit einem 95%-Konfidenzintervall von 0,631 bis 0,738. Das Kalibrierungsdiagramm zeigte ebenfalls eine gute Übereinstimmung zwischen den vorhergesagten Wahrscheinlichkeiten und den beobachteten Ergebnissen, was die Zuverlässigkeit des optimierten Modells weiter validierte.
Die Studie unterstrich die Bedeutung der Echtzeit-Validierung, um die klinische Praxis und die Belastung der Patienten durch CINV genau widerzuspiegeln. Die Ergebnisse zeigten, dass bestimmte prädiktive Faktoren im bestehenden Modell nicht mit den Erfahrungen chinesischer Patienten übereinstimmten, was zur Optimierung des Modells führte. Durch die Entfernung von Faktoren mit entgegengesetzten prädiktiven Werten und die Konzentration auf diejenigen, die konsistent prädiktiv waren, bot das optimierte Modell ein zuverlässigeres Instrument zur Identifizierung von Hochrisiko-Patienten in China. Die dynamische Natur des Modells ermöglicht eine kontinuierliche Bewertung und Anpassung der antiemetischen Prophylaxe während aller Chemotherapiezyklen.
Ein bemerkenswerter Aspekt des optimierten Modells ist, dass es das emetogene Potenzial der Krebsmedikamente selbst ausschließt. Dies unterstreicht die Bedeutung der Berücksichtigung sowohl des intrinsischen emetischen Risikos der Chemotherapeutika als auch der individuellen Patientenrisikofaktoren bei der Gestaltung antiemetischer Regime. Ärzte werden ermutigt, das optimierte Modell in Verbindung mit ihrem klinischen Urteil zu verwenden, um antiemetische Präventionsstrategien an das individuelle Risikoprofil jedes Patienten anzupassen.
Trotz seiner Stärken weist die Studie einige Einschränkungen auf. Die Stichprobengröße, obwohl beträchtlich, könnte die statistische Aussagekraft zur Erkennung signifikanter Assoziationen für einige Prädiktoren begrenzt haben. Darüber hinaus kann der Einfluss anderer unbekannter Variablen auf das Auftreten von CINV nicht ausgeschlossen werden. Zukünftige Forschungen mit größeren und diverseren Patientenpopulationen sind erforderlich, um das optimierte Modell weiter zu verfeinern und zu validieren.
Zusammenfassend validierte und optimierte diese Studie erfolgreich ein weit verbreitetes CINV-prädiktives Modell für die Anwendung bei chinesischen Patienten. Das optimierte Modell stellt ein einfach zu verwendendes und dynamisches Instrument für die personalisierte CINV-Management dar. Durch die Identifizierung von Hochrisiko-Patienten und die Anleitung der antiemetischen Prophylaxe hat das Modell das Potenzial, die Lebensqualität von Patienten, die sich einer Chemotherapie unterziehen, zu verbessern. Obwohl weitere Forschungen erforderlich sind, um seine Einschränkungen zu adressieren, bietet das optimierte Modell einen wertvollen Rahmen für Kliniker, um die Belastung durch CINV bei chinesischen Patienten zu verringern.
doi.org/10.1097/CM9.0000000000002265