
De onderzoekers identificeerden in de MSKCC-database 3880 patiënten ouder dan 50 jaar met T1-2 ER+ HER2- kliernegatieve tumoren tussen begin 2012 en eind 2018. De tumoren werden gerandomiseerd naar een trainingscohort (n=2587) en een validatiecohort (n=1293). Klinisch-pathologische variabelen die in het trainingscohort geassocieerd waren met RS-risicocategorie (laag risico RS ≤ 25; hoog risico RS > 25) waren leeftijd, tumorgrootte, histologie, PR-expressie, lymfovasculaire invasie, en graad. In het validatiecohort was de mediane leeftijd 62 jaar (IQR 56-68), de mediane tumorgrootte 1,2 cm (IQR 0,8-1,7), de meeste tumoren invasief ductaal (80,3%), van laag-intermediaire graad (80,5%) zonder LVI (80,9%). De PR-expressie van 20% of lager in 27,3% van de tumoren. De specificiteit van het model voor het identificeren van RS ≤ 25 was 96,3% (95%-bti 95,0-97,4) en de negatieve voorspellende waarde was 92,9% (91,2-94,4). De sensitiviteit en positieve voorspellende waarde voor voorspellen van RS > 25) was lager, met respectievelijk 48,3% en 65,1%.
De onderzoekers concluderen dat het model met hoge specificiteit patiënten ouder dan 50 jaar kon identificeren voor wie chemotherapie achterwege kon blijven. Na externe validatie kan het model wellicht gebruikt worden voor triage van patiënten die bij een hoog-risicoresultaat alsnog RS-testen kunnen ondergaan.
1.Pawlowski KR, Gonen M, Wen HY et al. Supervised machine learning model to predicte oncotype DX risk category in patients over age 50. Breast Cancer Res Treat 2021; epub ahead of print
Summary: Researchers at Memorial Sloan Kettering Cancer Center (New York, NY) developed a supervised machine learning model to predict Oncotype DX risk category in breast cancer patients over age 50 years. The model was highly specific for identifying patients for whom chemotherapy can be omitted.