Prediction of metastatic disease by computer aided interpretation of tumor markers in patients with melanoma : a feasibility study

Abstract

Ziele: Das kutane Melanom ist ein aggressiver und bösartiger Tumor mit der Tendenz zur Bildung von Metastasen. Die Vorhersage einer Metastasierung mit Hilfe von sogenannter Tumormarker und der Vortestwahrscheinlichkeit kann die Behandlung von Melanompatienten wesentlich optimieren. Dadurch können aufwändige Untersuchungsmodalitäten potentiell reduziert werden, das zu einer Erhöhung des Wohlbefindens des Patienten beitragen kann und möglicherweise Kosten reduziert.<br />Methoden: Zur Vorhersage einer Metastasierung bei Patienten mit kutanem Melanom wurde ein wissensbasiertes System (WBS) entwickelt, welches aus einer Kombination von evidenter prognostischer Parameter und quantitativer Analysen besteht. Zur Interpretation der Tumorklassifikationen wurde die Programmiersprache Arden Syntax angewendet. Verfahren für maschinelles Lernen wie z.B. künstliche neuronale Netze wurden zur multivariaten Datenanalyse herangezogen. Um eine Aussage über den aktuellen Stand der Überlebenswahrscheinlichkeit von Melanompatienten zu treffen wurde ein curve fitting der Überlebenskurven durchgeführt. Ergebnisse: Das WBS umfasst und kombiniert drei Interpretationen: (1) die regelbasierte Interpretation der rezentesten Tumorklassifikation, entsprechend der Klassifikation des American Joint Committee on Cancer, (2) die Interpretation der in der Routine verwendeten Tumormarker S100[beta], MIA und LDH, durch Anwendung einer logistische Regression und (3) die Risikoeinschätzung der aktuellen Überlebensrate der Patienten unter zur Hilfenahme der relevanten Überlebenskurven.<br />Resultierend aus den ROC-Kurven zur Detektion von Metastasen, die Interpretation der Tumormarker (493 Einzelmessungen) ergab AUC's (area under the curve) von 0,688-0,793. Die Kombination mehrerer Tumormarker zeigte etwas bessere Resultate. Eine neue verbesserte Funktion zur Beschreibung der Überlebenskurven ermöglichte es, das Gefälle und die aktuelle Überlebenswahrscheinlichkeit zu jedem diskreten Zeitpunkt errechnen zu können. Das System kombiniert alle errechneten Wahrscheinlichkeiten mit Unterstützung eines Bayesian-Modell.<br />Letztendlich wurde das in der Dissertation entwickelte WBS in ein Krankenhausinformationssytem implementiert und befindet sich derzeit unter klinischer Validierung.<br />Zusammenfassung: Das entwickelte WBS berechnet für jeden Patienten die individuelle Metastasierungswahrscheinlichkeit. Das finale Ziel des Systems ist die Kompatibilität des durch das WBS produzierten Ergebnisses mit der medizinischen Expertenmeinung.<br />

Aims: Cutaneous melanoma, one of the most aggressive tumors, potentially leads to widespread metastasis. The prediction of metastatic events through tumor markers and pretest probability could substantially improve treatment patterns, potentially reduce additional diagnostic workup to increase patient well-being and may reduce costs.<br />Methods: To predict metastatic events in patients with cutaneous melanoma, a knowledge based system (KBS) will permit a combination of prognostic evidence and provide quantitative analysis. For the interpretation of the tumor classification, the programming language Arden Syntax was used. Machine learning methods like the artificial neural network (ANN) were realized in Matlab 2010b as well as for the performance of an optimal curve fitting to make a point about the current patient's survival rate.<br />Results: The KBS is divided into three interpretation parts: (1) the rule-based interpretation of the most recent tumor classification, according to the American Joint Committee on Cancer, (2) the interpretation of the tumor markers S100[beta], MIA and LDH, routinely used for follow-up, by logistic regression analysis and (3) risk assessment of the current patient's survival rate by using the survival curves considering the tumor stage. The interpretation of the tumor markers (data set with 493 single measurements) resulted in areas under the curves of the ROC plots for detecting metastasis that ranged from 0.688 to 0.793, whereby the combination of the tumor markers showed slightly better results. A new improved function to fit the survival curve made it possible to calculate the slope of the survival curves at any temporal discrete point. The system combines all calculated likelihoods using a Bayesian model. Finally, the developed knowledge based system of this thesis was implemented as a clinical decision support system in a hospital information system for clinical validation.<br />Conclusions: This KBS will calculate the individual likelihood for metastatic events. Our system aims to produce results that are compatible with a medical expert's opinion.<br />