دوره 37، شماره 542: هفته دوم آبان ماه 1398:1074-1079

بررسی تأثیر نشانگرهای تومور ER، Her2 و Ki67 بر روی بقای بلند مدت و کوتاه مدت زنان مبتلا به سرطان پستان با استفاده از مدل شفا یافته‌ی Bayesian

مرتضی محمدزاده , حسین فلاح‌زاده , نیما پهلوانی , فریبا بینش , ویدا پهلوانی

DOI: 10.22122/jims.v37i542.12105

چکیده


مقدمه: سرطان پستان، دومین علت عمده‌ی مرگ ناشی از سرطان در بین زنان است که عوامل مختلفی در ایجاد آن دخالت دارند. هدف از انجام این مطالعه، بررسی اثر نشانگرهای تومور مهم بر روی بقای زنان مبتلا به این سرطان با استفاده از واکاوی شفا یافته‌ی Bayesian (Bayesian cure analysis) بود.

روش‌ها: این مطالعه به صورت تحلیل بقای گذشته‌نگر با استفاده از روش Kaplan-Meier و مدل شفا یافته‌ی Bayesian انجام شد. اطلاعات لازم برای تمامی 500 زن مبتلا به سرطان پستان مراجعه کننده به مرکز پرتودرمانی شهید رمضان‌زاده یزد از سال‌های 94-1389 ثبت گردید. از نرم‌افزار R نسخه‌ی 3.6.1 برای واکاوی داده‌ها استفاده و 050/0 > P به عنوان سطح معنی‌داری در نظر گرفته شد.

یافته‌ها: با استفاده از روش Kaplan-Meier میزان بقای 6 ساله‌ی زنان مبتلا به سرطان پستان 737/0 برآورد گردید. میانگین سنی 16/11 ± 03/48 سال و میانگین زمان بقا، 23/4 ± 64/97 ماه بود. نتایج حاصل از واکاوی شفا یافته‌ی Bayesian نشان داد که متغیرهای Ki67 (28/2-01/1 = Prediction intervals یا PI 95 درصد، 34/1 = Hazard ratio یا HR) و Estrogen receptor (ER) (36/2-99/1 = PI 95 درصد، 11/2 = HR) بر روی مخاطره‌ی مرگ و متغیر ER (57/0-26/0 = PI 95 درصد، 38/0 = OR) روی بهبودی بیماران تأثیر معنی‌داری داشتند.

نتیجه‌گیری: طبق واکاوی شفا یافته‌ی Bayesian در این مطالعه، متغیر گیرنده‌ی استروژن، بر روی بقای کوتاه مدت و بهبودی بیماران مؤثر بود. می‌توان از مدل‌های شفا یافته، در شرایط مناسب براي تحليل بقای بیماران با درصد بالای بهبودی استفاده و بقاي بلند مـدت بیماران را از بقاي كوتاه مدت آنان جدا نمود. این روش آماری، مي‌تواند تفسیر دقیق‌تری از آن چه در بقاي داده‌ها وجود دارد، ارایه نماید.


واژگان کلیدی


سرطان پستان؛ آنالیز بقا؛ روش Bayesian؛ گیرنده‌ی استروژن

تمام متن:

PDF

مراجع


Harirchi I, Karbakhsh M, Kashefi A, Momtahen AJ. Breast cancer in Iran: Results of a multi-center study. Asian Pac J Cancer Prev 2004; 5(1): 24-7.

Asadi-Samani M, Rafieian-Kopaei M, Lorigooini Z, Shirzad H. A screening for discovering anticancer herbal drugs. J Pharm Pharmacogn Res 2019; 7(3): 213-22.

Campone M, Fumoleau P, Bourbouloux E, Kerbrat P, Roche H. Taxanes in adjuvant breast cancer setting: Which standard in Europe? Crit Rev Oncol Hematol 2005; 55(3): 167-75.

Kleinbaum DG, Klein M. Survival analysis: A self-learning text. vol 3. New York, NY: Springer; 2010.

von Minckwitz G, Huang CS, Mano MS, Loibl S, Mamounas EP, Untch M, et al. Trastuzumab emtansine for residual invasive HER2-positive breast cancer. N Engl J Med 2019; 380(7): 617-28.

Mohammadpour M, Yaseri M, Mahmoudi M, Entezar Mahdi R. Estimation of survival in women diagnosed with breast cancer with cure survival in West-Azerbaijan and East-Azerbaijan Provinces. J Sch Public Health Inst Public Health Res 2018; 16(1): 63-74. [In Persian].

Wienke A. Frailty models in survival analysis. Boca Raton, FL: Chapman and Hall/CRC; 2010.

Lunn D, Jackson C, Best N, Thomas A, Spiegelhalter D. The BUGS book: A practical introduction to Bayesian analysis. Boca Raton, FL: Chapman and Hall/CRC; 2012.

van Ravenzwaaij D, Cassey P, Brown SD. A simple introduction to Markov Chain Monte-Carlo sampling. Psychon Bull Rev 2018; 25(1): 143-54.

Sturtz S, Ligges U, Gelman A. R2WinBUGS: A package for running WinBUGS from R. J Stat Softw 2005; 1(3): 1-16.

Plummer M, Best N, Cowles K, Vines K. CODA: Convergence diagnosis and output analysis for MCMC. R News 2005; 6(1): 7-11.

Maller RA, Zhou X. Survival analysis with long-term survivors. Chichester, NY: Wiley; 1996.

Rahimzadeh M, Baghestani AR, Gohari MR, Pourhoseingholi MA. Estimation of the cure rate in Iranian breast cancer patients. Asian Pac J Cancer Prev 2014; 15(12): 4839-42.

Nishimura R, Osako T, Okumura Y, Hayashi M, Toyozumi Y, Arima N. Ki-67 as a prognostic marker according to breast cancer subtype and a predictor of recurrence time in primary breast cancer. Exp Ther Med 2010; 1(5): 747-54.

Jurikova M, Danihel L, Polak S, Varga I. Ki67, PCNA, and MCM proteins: Markers of proliferation in the diagnosis of breast cancer. Acta Histochem 2016; 118(5): 544-52.

Fallahzadeh H, Mohammadzadeh M, PahlavanV, Pahlavani N. A study on the prognostic factors of breast cancer survival time using Bayesian Cox model. J Isfahan Med Sch 2018; 36(466): 49-55. [In Persian].

Savci-Heijink CD, Halfwerk H, Hooijer GK, Horlings HM, Wesseling J, van de Vijver MJ. Retrospective analysis of metastatic behaviour of breast cancer subtypes. Breast Cancer Res Treat 2015; 150(3): 547-57.

Saadatmand S, Bretveld R, Siesling S, Tilanus-Linthorst MM. Influence of tumour stage at breast cancer detection on survival in modern times: Population based study in 173,797 patients. BMJ 2015; 351: h4901.

Unni N, Sudhan DR, Arteaga CL. Neratinib: Inching Up on the Cure Rate of HER2(+) Breast Cancer? Clin Cancer Res 2018; 24(15): 3483-5.

Vostakolaei FA, Broeders MJ, Rostami N, van Dijck JA, Feuth T, Kiemeney LA, et al. Age at diagnosis and breast cancer survival in Iran. Int J Breast Cancer 2012; 2012: 517976.

Candido Dos Reis FJ, Wishart GC, Dicks EM, Greenberg D, Rashbass J, Schmidt MK, et al. An updated PREDICT breast cancer prognostication and treatment benefit prediction model with independent validation. Breast Cancer Res 2017; 19(1): 58.

Jafari-Koshki T, Mansourian M, Mokarian F. Exploring factors related to metastasis free survival in breast cancer patients using Bayesian cure models. Asian Pac J Cancer Prev 2014; 15(22): 9673-8.

Ibrahim JG, Chen MH, Sinha D. Bayesian survival analysis. In: Balakrishnan N, Colton T, Everitt B, Piegorsch W, Ruggeri F, Teugels JL, editors. Wiley StatsRef: Statistics Reference Online. Hoboken, NJ: Willey; 2014.




Creative Commons Attribution-NonCommercial 4.0

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 Unported License which allows users to read, copy, distribute and make derivative works for non-commercial purposes from the material, as long as the author of the original work is cited properly.