Новые алгоритмы оценивают вероятность наличия 15 типов недиагностированного рака по стандартным данным о пациенте

Ранняя диагностика рака имеет решающее значение для эффективности терапии, однако Великобритания до сих пор демонстрирует одни из самых низких показателей выживаемости онкобольных среди стран с высоким уровнем дохода, и одна из причин — позднее выявление заболевания. Чтобы изменить ситуацию, Национальная служба здравоохранения Великобритании (NHS) поставила цель: к 2028 году диагностировать не менее 75% всех случаев рака на стадиях 1 или 2.

Одной из ключевых стратегий для достижения этой цели признано использование прогностических алгоритмов в первичном звене здравоохранения. Такие инструменты помогают идентифицировать пациентов из группы высокого риска, которые необходимо оперативнее направлять на обследование. На практике уже применяются алгоритмы вроде QCancer, однако нужны более точные и доступные модели, в первую очередь способные использовать рутинные данные о здоровье, включая результаты стандартных анализов крови.

Исследователи из Университета Королевы Марии в Лондоне и Оксфордского университета разработали два новых алгоритма для ранней диагностики рака. Они использовали анонимизированные электронные медицинские данные более 7,4 миллиона взрослых пациентов (в возрасте 18–84 лет), проживающих в Англии.

Были созданы две диагностических прогностических модели. Первая (модель A) учитывает широкий спектр стандартных клинических факторов: возраст, пол, социально-экономический статус, курение и употребление алкоголя, семейный анамнез, историю заболеваний и различные симптомы — как общие, так и специфические для рака. Вторая (модель B), кроме того, включает данные доступных рутинных анализов крови, например, общего анализа крови и биохимических показателей функции печени, которые рассматриваются как потенциальные «цифровые биомаркеры».

Алгоритмы оцениваюют абсолютную вероятность развития у пациента 15 типов недиагностированного рака в течение двух лет после обращения. Впервые в такие модели были включены прогнозы для рака печени и полости рта.

Модели прошли внешнюю валидацию на двух крупных независимых выборках пациентов из Англии, Шотландии, Уэльса и Северной Ирландии — в общей сложности более 5,3 миллиона человек. Эффективность оценивали по нескольким ключевым метрикам: дискриминации (способности различать больных и здоровых), калибровке (точности предсказаний), чувствительности и суммарной пользе по сравнению с имеющимися алгоритмами.

Новые алгоритмы превосходят существующие модели QCancer. Особенно интересны данные для модели B, которая учитывает результаты анализов крови: она демонстрировала небольшое, но заметное улучшение показателей, прежде всего чувствительности, для семи видов рака, включая колоректальный рак, рак крови и рак печени.

Анализ данных подтвердил известные связи между результатами анализов крови и вероятностью наличия рака и выявил новые. Так, снижение уровня гемоглобина оказалось связано с повышенным риском рака легких, колоректального рака, рака крови и желудочно-пищеводного рака у мужчин, а также колоректального, гематологического, желудочного и печёночного рака у женщин. Повышение уровня тромбоцитов ассоциировалось с повышенным риском шести видов рака у мужчин и восьми у женщин, наиболее заметно — с колоректальным раком у мужчин и раком яичников у женщин. Кроме того, изменения в биохимии печени, включая снижение альбумина и повышение щелочной фосфатазы и билирубина, демонстрировали прочные ассоциации с риском ряда опухолей, особенно рака печени.

Исследование также выявило дополнительные клинические факторы и симптомы, ранее не учтенные в подобных моделях, например, наличие ВИЧ/СПИД, цирроза печени, гепатитов B и C, а также неспецифические симптомы вроде зуда, синяков, боли в спине, осиплости голоса, вздутия живота, пальпируемого образования в брюшной полости и темной мочи.

При использовании рекомендованного национальными британскими руководствами порога в 3% вероятности рака для направления на обследование новые алгоритмы показали более высокую чувствительность по сравнению с QCancer. Их эффективность в выявлении стадий 1–2 была сопоставима с общей эффективностью. Добавление данных анализов крови в модель B обеспечивало небольшое, но ощутимое увеличение чистой клинической пользы по сравнению с моделью A и более заметное преимущество по сравнению с QCancer, а обе новые модели превосходили стратегии «исследовать всех» или «не исследовать никого».

Таким образом, новые алгоритмы могут повысить точность выявления пациентов с высоким риском рака на уровне первичной медицинской помощи. Поскольку клинические данные и результаты рутинных анализов крови обычно уже хранятся в электронных медицинских картах, интеграция таких инструментов в практику не будет сложной. Более точное прогнозирование вероятности рака поможет врачам принимать обоснованные решения — кого следует срочно направить на обследование или к специалисту, а кому достаточно наблюдения или повторного осмотра. Это особенно важно для редких форм рака или случаев с неспецифическими симптомами.

Широкое применение подобных алгоритмов может ускорить диагностику и начало лечения, что критично для улучшения исходов и повышения выживаемости пациентов с онкозаболеваниями. Авторы подчеркивают, что алгоритмы служат инструментом поддержки принятия решений и не заменяют клинический диагноз, а лишь помогают выделить пациентов, требующих особого внимания.

PAC-MANN обнаруживает рак поджелудочной железы на ранних стадиях