Risk prediction models for biochemical recurrence after radical prostatectomy

Abstract

Introduction: Many computer models for predicting the risk of prostate cancer have been developed, including models for prediction of biochemical recurrence (BCR). However, models for individual BCR-free probability at individual time- points after a BCR-free period are rare. Material and Methods: Follow-up data from 1575 patients who underwent laparoscopic radical prostatectomy (LRP) were used to develop an artificial neural network (ANN) to predict BCR and to compare it with a logistic regression (LR) model using clinical and pathologic parameters such as prostate-specific antigen (PSA). For individual BCR prediction at any given time after operation, additional ANN and LR models were calculated every 6 months for up to 7.5 years of follow-up. Results: The areas under the receiver operating characteristic (ROC) curve (AUC) for the ANN (0.754) and LR models (0.755) calculated immediately following LRP were larger than those for Gleason Score (GS) (AUC: 0.715; P = 0.0015 and 0.001) or PSA (AUC: 0.619; P always <0.0001) alone. The GS predicted the BCR better than PSA (P = 0.0001), but there was no difference between the ANN and LR models (P = 0.39). Conclusions: This study may enable a more accurate prediction of BCR. A patient who has undergone LRP should be able to use our curves to estimate his individual BCR-free probability. Our research fills the gaps for the prediction of an individual’s BCR-free probability and in the application of ANNs for the prediction of BCR after LRP, thereby providing background for future investigations.

Einleitung: Viele Computermodelle zur Vorhersage des Risikos von Prostatakrebs sind entwickelt worden, einschließlich die zur Vorhersage eines biochemischen Rezidivs (BCR). Modelle zur individuellen Vorhersage eines BCR zu verschiedenen Zeitpunkten nach einer BCR freien Zeit sind jedoch selten. Material und Methoden: Follow-up-Daten von 1575 Patienten, die eine laparoskopische radikale Prostatektomie (LRP) erhielten, wurden verwendet, um ein künstliches neuronales Netzwerk (ANN) zur Vorhersage eines BCR aufzubauen. Dieses wurde mit Modellen der logistischen Regression (LR) und mit klinischen und pathologischen Parametern wie dem prostataspezifischen Antigen (PSA) verglichen. Für eine individuelle BCR Vorhersage zu einem bestimmten Zeitpunkt nach der Operation wurden zusätzliche ANN- und LR-Modelle alle 6 Monate, bis zu 7,5 Jahren Follow-up berechnet. Ergebnisse: Die Flächen unter den ROC- Kurven (engl. area under the curve, AUC) die für das ANN (0,754) und LR Modell (0,755) unmittelbar nach LRP errechnet wurden, waren größer als die für den Gleason Score (GS) (AUC: 0,715, P = 0,0015 und 0,001) und PSA (AUC: 0,619; P immer <0,0001) allein. Der GS prognostiziert ein BCR besser als PSA (P = 0,0001), aber es gab keinen Unterschied zwischen den ANN- und LR-Modellen (P = 0,39). Zusammenfassung: Die Ergebnisse dieser Studie können eine genauere Vorhersage eines BCR ermöglichen. Ein Patient, der sich der LRP unterzogen hat, sollte unsere Kurven nutzen können, um seine individuelle BCR-freie Wahrscheinlichkeit einzuschätzen. Unsere Forschung füllt die Lücken in der Vorhersage einer individuellen BCR-freien Wahrscheinlichkeit und die Lücken in der Anwendung von ANNs zur Vorhersage der BCR nach LRP. Dieses sind Voraussetzungen für zukünftige Untersuchungen.