Обзор математических моделей рака молочной железы
https://doi.org/10.24411/2588-0519-2019-10072
Аннотация
Актуальность. Рак молочной железы (РМЖ) является сегодня в РФ лидирующей онкологической патологией. Использование новых методов лечения сопряжено со значительными затратами системы здравоохранения. Эпидемиологическое прогнозирование и планирование затрат на лечение РМЖ невозможно без построения его математической модели.
Цель. Провести обзор литературы, посвящённой математическому моделированию РМЖ. Материалы и методы. Был проведён систематический обзор литературы путём поиска публикаций в базах данных (PubMed). Из 547 первично отобранных публикаций 20 были включены в конечный анализ. Не включённые публикации можно разделить на следующие группы: клинико-экономические модели эффекта отдельных лекарств, модели эффективности скрининга, модели клеточного роста опухоли, модели оценки медицинских изображений (УЗИ, МРТ).
Результаты. Эпидемиологическая модель РМЖ должна быть основана на данных регистров пациентов, при среднем времени наблюдения не менее 5 лет, построена с использованием метода Маркова, быть негомогенной. В модели необходимо выделить максимальное количество состояний, в том числе учитывать гистологический тип опухоли и стадию заболевания.
Выводы. В РФ на сегодня не существует математической эпидемиологической модели РМЖ.
Об авторах
Ю. П. Юркова
ФГБУ «НМИЦ онкологии им. Н.Н. Петрова» Минздрава России
Россия
Россия
Юркова Юлия Петровна - врач-статистик
SPIN-код: 4697-6433
А. А. Курылёв
ФГБОУ ВПО Первый Санкт-Петербургский государственный медицинский университет им И.П. Павлова
Россия
Россия
Курылёв Алексей Александрович - ассистент кафедры клинической фармакологии и доказательной медицины
SPIN-код: 4470-7845
А. С. Колбин
ФГБОУ ВПО Первый Санкт-Петербургский государственный медицинский университет им И.П. Павлова; ФГБОУ ВО Санкт-Петербургский государственный университет
Россия
Россия
Колбин Алексей Сергеевич Автор - доктор медицинских наук, профессор, заведующий кафедрой клинической фармакологии и доказательной медицины, ФГБОУ ВО ПСПбГМУ им. акад. И.П. Павлова МР; профессор кафедры фармакологии медицинского факультета СПбГУ
SPIN-код: 7966-0845
Список литературы
1. Мерабишвили В.М. Эпидемиология и выживаемость больных раком молочной железы // Вопросы онкологии. — 2013. — Т.59. — №3. — С.314-319.
2. СемиглазовВ.Ф. Эпидемиология и скрининг рака молочной железы // Вопросы онкологии. — 2017. — Т.63. — №3. — С.375-384.
3. Под ред. А.Д. Каприна, В.В. Старинского, Г.В. Петровой. Состояние онкологической помощи населению России в 2017 году. — М.: МНИОИ им. П.А. Герцена, филиал ФГБУ «НМИЦ радиологии» Минздрава России; 2018.
4. Колбин А.С. Научный анализ исходов в онкологии. особенности фармакоэкономической экспертизы // Медицинские технологии. Оценка и выбор. — 2012. — Т.8. — №2. — С.87-93.
5. Yang G. Neyman, Markov processes and survival analysis Lifetime Data Anal (2013) 19:393-411. DOI: 10.1007/s10985-013-9250-z
6. Abdollahian M, et al. A MDP model for breast and ovarian cancer intervention strategies for BRCA1/2 mutation carriers. IEEE J Biomed Health Inform. 2015 Mar;19(2):720-7. DOI: 10.1109/JBHI.2014.2319246
7. Beauchemin C, et al. A global economic model to assess the cost-effectiveness of new treatments for advanced breast cancer in Canada. J Med Econ. 2016 Jun;19(6):619-29. DOI: 10.3111/13696998.2016.1151431
8. Buyukdamgaci-Alogan G, et al. A decision-analytic model for early stage breast cancer: lumpectomy vs mastectomy. Neoplasma. 2008;55(3):222-8.
9. Karter KJ, et al. Analysis of Three Decision-making Methods: A Breast Cancer Patient as a Model. Med Decis Making. 1999;19:49-57. DOI: 10.1177/0272989X9901900107
10. Crowther MJ, et al. Parametric multistate survival models: Flexible modelling allowing transition-specific distributions with application to estimating clinically useful measures of effect differences. Stat Med. 2017 Dec 20;36(29):4719-4742.
11. Eulenburg C, et al. A Comprehensive Multistate Model Analyzing Associations of Various Risk Factors With the Course of Breast Cancer in a Population-Based Cohort of Breast Cancer Cases. Am J Epidemiol. 2016 Feb 15;183(4):325-34. DOI: 10.1093/aje/kwv163
12. Genser B, et al. Joint modelling of repeated transitions in follow-up data--a case study on breast cancer data. Biom J. 2005 Jun;47(3):388-401.
13. Holland RR, et al. Life expectancy estimation with breast cancer: bias of the declining exponential function and an alternative to its use. Med Decis Making. 1999 Oct-Dec;19(4):385-93. DOI: 10.1177/0272989X9901900406
14. Hsu CY, et al. Bayesian negative-binomial-family-based multistate Markov model for the evaluation of periodic population-based cancer screening considering incomplete information and measurement errors. Stat Methods Med Res. 2018 Aug;27(8):2519-2539.
15. Hubbard RA, et al. Using semi-Markov processes to study timeliness and tests used in the diagnostic evaluation of suspected breast cancer. Stat Med. 2016 Nov 30;35(27):4980-4993. DOI: 10.1002/sim.7055
16. Hui-Min WuG, et al. A bayesian random-effects markov model for tumor progression in women with a family history of breast cancer. Biometrics. 2008 Dec;64(4):1231-7. DOI: 10.1111/j.1541-0420.2007.00979.x
17. Lange JM, et al. A joint model for multistate disease processes and random informative observation times, with applications to electronic medical records data. Biometrics. 2015 Mar;71(1):90-101.
18. Meier-Hirmer C, et al. Multi-state model for studying an intermediate event using time-dependent covariates: application to breast cancer. BMC Med Res Methodol. 2013 Jun 20;13:80. DOI: 10.1186/1471-2288-13-80
19. Pobiruchin M. A method for using real world data in breast cancer modeling. J Biomed Inform. 2016 Apr;60:385-94. DOI: 10.1016/j.jbi.2016.01.017
20. Perez-Ocon R. A piecewise Markov process for analysing survival from breast cancer in different risk groups. Stat Med. 2001 Jan 15;20(1):109-122.
21. Taghipour S. Using Simulation to Model and Validate Invasive Breast Cancer Progression in Women in the Study and Control Groups of the Canadian National Breast Screening Studies I and II. Med Decis Making. 2017 Feb;37(2):212-223.
22. Witteveen A, et al. Risk-based breast cancer follow-up stratified by age. Cancer Med. 2018 Oct;7(10):5291-5298. DOI: 10.1002/cam4.1760
23. Wong SM Breast cancer prevention strategies in lobular carcinoma in situ: A decision analysis. Cancer. 2017 Jul 15;123(14):2609-2617. DOI: 10.1002/cncr.30644
Рецензия
Для цитирования:
Юркова Ю.П., Курылёв А.А., Колбин А.С. Обзор математических моделей рака молочной железы. Качественная клиническая практика. 2019;(2):45-54. https://doi.org/10.24411/2588-0519-2019-10072
For citation:
Yurkova Yu.P., Kurylev A.A., Kolbin A.S. Overview of mathematical models of breast cancer. Kachestvennaya Klinicheskaya Praktika = Good Clinical Practice. 2019;(2):45-54. (In Russ.) https://doi.org/10.24411/2588-0519-2019-10072
Просмотров:
1153
Послать статью по эл. почте 