Úvod: Pri dizajnovaní klinických štúdií môže pomôcť identifikácia nových prognostických faktorov prežívania. V prípade diagnózy pokročilého nemalobunkového karcinómu pľúc môžu byť vhodnými kandidátmi onkomarkery CYFRA 21-1, CEA alebo NSE [1–8]. Súvislosť ich expresie s prognózou umožňuje hodnotiť aj dataminingová metóda rekurzívneho delenia a zlučovania skupín. Metódy: Analyzovali sme údaje 162 pacientov Onkologickej kliniky FN Trnava. Všetci títo pacienti boli prijatí v rokoch 2008–2012 na podávanie prvej línie chemoterapie podľa platných odporúčaní. Hodnotili sme vplyv známych predliečebných prognostických markerov – výkonnostného stavu, úbytku hmotnosti, fajčenia, veku, pohlavia, štádia, histologického subtypu, komorbidity a onkomarkerov CYFRA 21-1, CEA alebo NSE, ako aj kombinácií týchto faktorov, na prežívanie. Výsledky: Výsledkom našej analýzy sú tri podskupiny pacientov s dobrou, strednou a nepriaznivou prognózou. Onkomarkery mali významnú úlohu pri utvorení podskupiny 49 pacientov s dobrou prognózou – sem patrili pacienti bez úbytku hmotnosti pred začatím liečby a nízkymi hladinami onkomarkerov CEA (≤ 4,1 ng/ml) alebo NSE (≤ 11,1 ng/ml). V tejto podskupine bol medián prežívania najmenej 16 mesiacov (nebol dosiahnutý) a rozdiel prežívania v porovnaní so zvyškom súboru bol vysoko štatisticky signifikantný (pomer rizík 5,21, 95% CI 1,41–19,28; p < 0,0001). Záver: V našom súbore sme preukázali prognostický význam nízkych hladín NSE a CEA v skupine pacientov bez úbytku hmotnosti v predchorobí. Rekurzívne delenie a spájanie skupín predstavuje užitočnú dataminingovú metódu; takto vygenerovanú hypotézu je však potrebné potvrdiť ďalšou klinickou štúdiou dizajnovanou na tento účel. Kľúčové slová: nemalobunkový karcinóm pľúc – onkomarkery – data mining – regresný strom – neurón-špecifická enoláza (NSE) – karcinoembryonálny antigén (CEA)
Introduction: Identification of new prognostic factors can help in designing future clinical studies. In the case of advanced non-small cell lung cancer, there might be good candidates – tumor markers CYFRA 21-1, CEA or NSE [1–8]. It is possible to evaluate the relationship between their expression and prognosis by data mining technique recursive partitioning and amalgamation. Patients and Methods: We analyzed retrospective data of 162 patients of Oncology clinics in Trnava. All of these patients were admitted between 2008 and 2012 for the administration of first-line chemotherapy according to current recommendations. We evaluated the impact of known pretreatment prognostic markers – performance status, weight loss, smoking, age, sex, stage, histologic subtype, comorbidity and oncomarkers CYFRA 21-1, CEA or NSE, as well as combinations of these factors on survival. Results: Our analyses showed that there are three subgroups of patients with good, intermediate and unfavorable prognosis. Oncomarkers played an important role in formation of a subgroup of 49 patients with good prognosis – including patients with no pretreatment weight loss and low levels of CEA (≤ 4.1 ng/ml) or NSE (≤ 11.1 ng/ml). In this subgroup, the median survival time was at least 16 months (not achieved) and the difference in survival compared to the rest of the group was highly statistically significant (risk ratio 5.21, 95% CI 1.41–19.28; p < 0.0001). Conclusion: We showed the prognostic significance of low levels of NSE and CEA oncomarkers in the group of patients with no pretreatment weight loss. Recursive partitioning and amalgamation is a useful data mining method, but the generated hypothesis needs to be confirmed by further clinical study designed for this purpose. Key words: non-small cell lung cancer – oncomarkers – data mining – regression tree – neuron-specific enolase (NSE) – carcinoembryonal antigen (CEA) The authors declare they have no potential conflicts of interest concerning drugs, products, or services used in the study. The Editorial Board declares that the manuscript met the ICMJE “uniform requirements” for biomedical papers. Submitted: 19. 3. 2014 Accepted: 25. 9. 2014
- Keywords
- regresní strom, strom přežití,
- MeSH
- Algorithms MeSH
- Antigens, Neoplasm blood MeSH
- Phosphopyruvate Hydratase blood MeSH
- Weight Loss MeSH
- Induction Chemotherapy MeSH
- Carcinoembryonic Antigen blood MeSH
- Keratin-19 blood MeSH
- Humans MeSH
- Survival Rate MeSH
- Multivariate Analysis MeSH
- Biomarkers, Tumor * blood MeSH
- Carcinoma, Non-Small-Cell Lung * blood pathology therapy MeSH
- Prognosis MeSH
- Antineoplastic Agents therapeutic use MeSH
- Regression Analysis MeSH
- Retrospective Studies MeSH
- Cluster Analysis MeSH
- Neoplasm Staging MeSH
- Check Tag
- Humans MeSH
- Male MeSH
- Female MeSH
