Machine learning to predict early recurrence after oesophageal cancer surgery. Issue 8 (30th January 2020)

• Record Type: Journal Article
• Authors: Rahman, S. A.; Walker, R. C.; Lloyd, M. A.; Grace, B. L.; van Boxel, G. I.; Kingma, B. F.; Ruurda, J. P.; van Hillegersberg, R.; Harris, S.; Parsons, S.; Mercer, S.; Griffiths, E. A.; O'Neill, J. R.; Turkington, R.; Fitzgerald, R. C.; Underwood, T. J.
• Other Names: Noorani Ayesha investigator.; Elliott Rachael Fels investigator.; Edwards Paul A.W. investigator.; Grehan Nicola investigator.; Nutzinger Barbara investigator.; Crawte Jason investigator.; Chettouh Hamza investigator.; Contino Gianmarco investigator.; Li Xiaodun investigator.; Gregson Eleanor investigator.; Zeki Sebastian investigator.; de la Rue Rachel investigator.; Malhotra Shalini investigator.; Tavaré Simon investigator.; Lynch Andy G. investigator.; Smith Mike L. investigator.; Davies Jim investigator.; Crichton Charles investigator.; Carroll Nick investigator.; Safranek Peter investigator.; Hindmarsh Andrew investigator.; Sujendran Vijayendran investigator.; Hayes Stephen J. investigator.; Ang Yeng investigator.; Preston Shaun R. investigator.; Oakes Sarah investigator.; Bagwan Izhar investigator.; Save Vicki investigator.; Skipworth Richard J.E. investigator.; Hupp Ted R. investigator.; O'Neill J. Robert investigator.; Tucker Olga investigator.; Beggs Andrew investigator.; Taniere Philippe investigator.; Puig Sonia investigator.; Underwood Timothy J. investigator.; Noble Fergus investigator.; Byrne James P. investigator.; Kelly Jamie J. investigator.; Owsley Jack investigator.; Barr Hugh investigator.; Shepherd Neil investigator.; Old Oliver investigator.; Lagergren Jesper investigator.; Gossage James investigator.; Chang Andrew Davies Fuju investigator.; Zylstra Janine investigator.; Goh Vicky investigator.; Ciccarelli Francesca D. investigator.; Sanders Grant investigator.; Berrisford Richard investigator.; Harden Catherine investigator.; Bunting David investigator.; Lewis Mike investigator.; Cheong Ed investigator.; Kumar Bhaskar investigator.; Parsons Simon L. investigator.; Soomro Irshad investigator.; Kaye Philip investigator.; Saunders John investigator.; Lovat Laurence investigator.; Haidry Rehan investigator.; Eneh Victor investigator.; Igali Laszlo investigator.; Scott Michael investigator.; Sothi Shamila investigator.; Suortamo Sari investigator.; Lishman Suzy investigator.; Hanna George B. investigator.; Peters Christopher J. investigator.; Grabowska Anna investigator.;
• Is Part Of: British journal of surgery. Volume 107:Issue 8(2020)
• Page Start: 1042
• Page End: 1052
• Publication Date: 2020-01-30
• Subjects: Surgery -- Periodicals; 617.005
• DOI: 10.1002/bjs.11461
• Languages: English
• ISSNs: 0007-1323

Abstract

Abstract : Background: Early cancer recurrence after oesophagectomy is a common problem, with an incidence of 20–30 per cent despite the widespread use of neoadjuvant treatment. Quantification of this risk is difficult and existing models perform poorly. This study aimed to develop a predictive model for early recurrence after surgery for oesophageal adenocarcinoma using a large multinational cohort and machine learning approaches. Methods: Consecutive patients who underwent oesophagectomy for adenocarcinoma and had neoadjuvant treatment in one Dutch and six UK oesophagogastric units were analysed. Using clinical characteristics and postoperative histopathology, models were generated using elastic net regression (ELR) and the machine learning methods random forest (RF) and extreme gradient boosting (XGB). Finally, a combined (ensemble) model of these was generated. The relative importance of factors to outcome was calculated as a percentage contribution to the model. Results: A total of 812 patients were included. The recurrence rate at less than 1 year was 29·1 per cent. All of the models demonstrated good discrimination. Internally validated areas under the receiver operating characteristic (ROC) curve (AUCs) were similar, with the ensemble model performing best (AUC 0·791 for ELR, 0·801 for RF, 0·804 for XGB, 0·805 for ensemble). Performance was similar when internal–external validation was used (validation across sites, AUC 0·804 for ensemble). In the final model, the most important variables were number of positive lymph nodes (25·7 per cent) and lymphovascular invasion (16·9 per cent). Conclusion: The model derived using machine learning approaches and an international data set provided excellent performance in quantifying the risk of early recurrence after surgery, and will be useful in prognostication for clinicians and patients. Abstract : Early recurrence after surgery for adenocarcinoma of the oesophagus is common. A risk prediction model was derived using modern machine learning methods that accurately predicts risk of early recurrence using postoperative pathology. Machine learning may help Abstract : Antecedentes: la recidiva precoz del cáncer tras esofaguectomía es un problema frecuente con una incidencia del 20‐30% a pesar del uso generalizado del tratamiento neoadyuvante. La cuantificación de este riesgo es difícil y los modelos actuales funcionan mal. Este estudio se propuso desarrollar un modelo predictivo para la recidiva precoz después de la cirugía para el adenocarcinoma de esófago utilizando una gran cohorte multinacional y enfoques con aprendizaje automático. Métodos: Se analizaron pacientes consecutivos sometidos a esofaguectomía por adenocarcinoma y que recibieron tratamiento neoadyuvante en 6 unidades de cirugía esofagogástrica del Reino Unido y 1 de los Países Bajos. Con la utilización de características clínicas y la histopatología postoperatoria se generaron modelos mediante regresión de red elástica ( elastic net regression, ELR) y métodos de aprendizaje automático Random Forest (RF) y XG boost (XGB). Finalmente, se generó un modelo combinado (Ensemble) de dichos métodos. La importancia relativa de los factores respecto al resultado se calculó como porcentaje de contribución al modelo. Resultados: En total se incluyeron 812 pacientes. La tasa de recidiva a menos de 1 año fue del 29, 1%. Todos los modelos demostraron una buena discriminación. Las áreas bajo la curva ROC (AUC) validadas internamente fueron similares, con el modelo Ensemble funcionando mejor (ELR = 0, 791, RF = 0, 801, XGB = 0, 804, Ensemble = 0, 805). El rendimiento fue similar cuando se utilizaba validación interna‐externa (validación entre centros, Ensemble AUC = 0, 804). En el modelo final, las variables más importantes fueron el número de ganglios linfáticos positivos (25, 7%) y la invasión linfovascular (16, 9%). Conclusión: El modelo derivado con la utilización de aproximaciones con aprendizaje automático y un conjunto de datos internacional proporcionó un rendimiento excelente para cuantificar el riesgo de recidiva precoz tras la cirugía y será útil para clínicos y pacientes a la hora de establecer un pronóstico.