© И.Г. Гатауллин, А.Р. Савинова, 2021
УДК 618.11-007.6-07
И.Г. Гатауллин1, А.Р. Савинова2
1Казанская государственная медицинская академия ― филиал ФГБОУ ДПО РМАНПО МЗ РФ, г. Казань
2ГАУЗ «Республиканский клинический онкологический диспансер МЗ РТ», г. Казань
Савинова Айгуль Рафисовна ― врач-онколог онкологического отделения №9 ГАУЗ «Республиканский клинический онкологический диспансер МЗ РТ»
420029, г. Казань, Сибирский тракт, д. 29, тел. (843) 233-86-79, e-mail: aigulkazan@mail.ru, ORCID ID: 0000-0001-7048-4125
Реферат. Рак яичников остается актуальной проблемой здравоохранения в связи с высокой смертностью и высокой частотой рецидивирования заболевания. В связи с этим, и особенно в течение последних трех десятилетий, учеными были предприняты различные меры по выявлению факторов, способствующих развитию, прогрессированию, влияющих на чувствительность к проводимому лечению и на общую выживаемость.
Для того, чтобы внедрить накопившиеся научные данные в клиническую практику и в наиболее простой форме преподнести пациентам, а также для выбора того или иного метода лечения, в зависимости от индивидуального прогноза пациентов, были разработаны прогностические и предиктивные модели, рассчитывающие вероятность того или иного события.
Целью настоящего исследования было проанализировать существующие данные относительно прогностических и предиктивных моделей, которые прогнозируют риск развития рака яичников, а также эффективность химиотерапевтического или хирургического лечения.
В рамках настоящего обзора были рассмотрены модели на основании различных статистических методов моделирования: логистическая регрессия, искусственные нейронные сети, математическое моделирование, метод пропорциональных рисков Кокса и т.д.
Для облегчения восприятия материала существующие модели были сгруппированы в следующие группы: модели, прогнозирующие индивидуальный риск развития рака яичников, модели для дифференциальной диагностики новообразования яичников, предиктивные модели для выбора метода лечения и модели, прогнозирующие прогрессирование заболевания.
Ключевые слова: прогнозирование индивидуального риска рака яичников, предиктивные модели рака яичников, прогностические модели рака яичников, рецидив рака яичников.
Введение
Рак яичников неизменно сохраняет лидирующие позиции в структуре женской онкологической смертности, при этом в течение последних трех десятилетий в среднем наблюдается 15% сокращение смертности [1]. Это свидетельствует как об улучшении ранней диагностики, так и об улучшении протоколов комбинированного лечения [2, 3].
Все же, актуальность данного заболевания не только заставляет исследователей искать пути улучшения показателей общей 5-летней и безрецидивной выживаемости, но и интегрировать логарифмически растущие научные данные в интуитивные и практические прогностические модели, понятные как для врачей, так и для пациентов.
Целью настоящего исследования было проанализировать существующие данные относительно прогностических и предиктивных моделей, которые прогнозируют риск развития рака яичников, эффективность химиотерапевтического или хирургического лечения, а также вероятность прогрессирования заболевания.
Некоторые авторы подчеркивают разницу между терминами «прогностические» и «предиктивные» модели. Прогностические модели относятся к предсказыванию «прогноза» заболевания, такого как общая 5-летняя или безрецидивная выживаемость, на основании данных пациентов и уровней онкомаркеров. Прогностические модели не рассматривают эффективность лечения. В отличие от них предиктивные модели прогнозируют эффективность той или иной схемы лечения [4, 5].
Прогностические модели, оценивающие индивидуальный риск развития рака яичников
В данной категории объединены прогностические модели, которые оценивают индивидуальный риск женщин в течение своей жизни столкнуться с диагнозом рак яичников. Эти модели в совокупности анализируют факторы риска и факторы протекторы, и в удобной для пользователей форме стратифицируют риск. Подобные модели обычно доступны на онлайн ресурсах для пациентов и одинаково полезны как для общего женского населения (желающих оценить свой риск и предпринять индивидуальные меры по защите), так и для докторов (для разработки превентивных мер в популяции с высоким риском) [6].
С помощью моделей, разработанных в 2015 году Pearce C.L., Stram D.O., Ness R.B. и соавторами при помощи 5 основных прогностических маркеров: прием оральных контрацептивов, количество родов, перевязка труб, эндометриоз и наличие в семье у родственников первой линии рака яичников, оценивался пожизненный риск рака яичников на крупнейшей общепопуляционной базе данных США. Авторы пришли к выводу, что в общей популяции пожизненный риск рака яичников варьирует от 0,35% (очень низкий риск) до 8,8% (средний риск). При этом, у большинства пациенток с высоким риском отсутствовал риск наследственности [7].
Среди похожих моделей стоит упомянуть модели BRCAPRO, BODICEA, Myriad II), у которых ключевым моментом является учет статуса BRCA (англ. Breast Related Cancer Antigen ― раковый антиген связанный с молочной железой) [8, 9].
В некоторых современных прогностических моделях, помимо мутаций BRCA, также включены так называемые единичные нуклеотидные полиморфизмы (англ. SNP-single nucleotide polymorphism).
Примером такого алгоритма может служить CanRisk (BOADICEA V). BOADICEA (англ. ― Breast and Ovarian Analysis of Disease Incidence and Carrier Estimation Algorithm ― Анализ заболеваемости молочной железы и яичников и алгоритм оценки носительства). BOADICEA V является последней версией данной модели и сочетает генетические (редкие и часто встречающиеся генетические факторы риска согласно определению Шкалы мультигенного риска), семейный анамнез, факторы связанные с образом жизни и гормональные факторы риска для вычисления риска развития рака или риска носительства патологических мутаций [10].
Модель была валидизирована в независимых национальных (Великобритания) и международных проспективных исследованиях и продемонстрировала высокие диагностические характеристики [11, 12].
Последняя версия алгоритма доступна на онлайн ресурсе www.canrisk.org и полезна как для простых пользователей, так и для практикующих врачей.
Прогностические модели для раннего выявления рака яичников
У пациентов с подозрением на рак яичников в предоперационном периоде очень важно провести адекватную дифференциальную диагностику, потому что при злокачественном генезе первостепенную важность приобретает оптимальное хирургическое стадирование и циторедуктивная операция [13, 14], в то время как при доброкачественной природе новообразования зачастую достаточно провести лапараскопическую цистэктомию или другие малоинвазивные вмешательства [1].
Среди моделей, разграничивающих злокачественные новообразования яичников от доброкачественных, можно назвать как простые шкалы по морфологической оценке новообразований при помощи УЗИ [15, 16], так и индекс, рассчитывающий риск малигнизации на основании сывороточных уровней CA 125, менопаузального статуса и данных УЗИ (англ. RMI ― risk of malignancy index) [17, 18]; а также более продвинутые математические модели на основании логистической регрессии [19, 20], искусственные нейронные сети [21, 22].
В одном из наиболее значимых систематических обзоров относительно прогностических моделей по дифференцировке образований яичников от 2009 года упомянутые модели были разделены на 4 группы [23]. I группа состояла из цифровых прогностических моделей, основанных на описании морфологических характеристик образований придатков при помощи УЗИ. Одной из самых известных представителей этой группы является модель Сассона [24]. II группа включала модели на базе логистической регрессии и рассчитывала риск наступления определенного события при помощи определенной формулы. Таких моделей было разработано целое множество [25, 26], но только часть из них прошла внешнюю валидацию. К этой группе также относится RMI, разработанная Jacobs (RMI I) и модифицированная Tingulstat (RMI II и III) [3, 18, 27]. Данный индекс рассчитывает риск злокачественного новообразования яичников на основании подсчета 3-х переменных: ультразвуковая шкала, абсолютное значение сывороточных уровней CA 125 и состояние менопаузы. В связи с простотой и хорошими диагностическими характеристиками, эта модель на сегодняшний день одна из самых часто применяемых в клинической практике. В III группу прогностических моделей входили те, которые базируются на искусственных нейронных сетях. Отличием этих моделей от предыдущей группы является то, что они учитывают также вероятность нелинейных взаимоотношений между переменными. На основе нейронных сетей очень сложные формулы. Одна из моделей данной группы ANN I с дальнейшей модификацией ANN II, была разработана Timmerman и соавторами, чтобы предсказать вероятность злокачественного новообразования придатков [28]. При исследованиях по внешней валидизации ANN II превосходил по диагностическим характеристикам ANN I [29, 30]. И наконец, IV группа прогностических моделей, предложенная авторами, включала математичеcкие модели на основании векторных машин, которые тоже являются сложными и многоплановыми. В то же время, эти модели более гибкие и могут на исходе выдать нелинейное решение в отличие от логистической регрессии. Одна из моделей данной группы была разработана Van Holsbeke и соавторами, которые продемонстрировали, что алгоритм на основании векторной машины с функцией Кернела лучший из 19 аналогичных моделей, прошедших внешнее валидирование [30].
Таким образом, в настоящее время разработано целое множество прогностических моделей для определения риска злокачественности в предоперационном периоде. Несмотря на это, а также наличие более комплексных моделей, учитывающих не только линейные взаимодействия между параметрами, RMI, на сегодняшний день показала наилучшие диагностические характеристики и является самой практичной с клинической точки зрения.
Предиктивные модели для прогнозирования эффективности лечения рака яичников
Как было указано ранее, модели, оценивающие эффективность лечения рака яичников, называются предиктивными. В данном обзоре мы разделили предиктивные модели на 2 категории: оценивающие эффективность химиотерапии и модели, оценивающие вероятность оптимальной циторедукции.
Предиктивные модели, оценивающие эффективность химиотерапии при раке яичников
Для разработки прогностических моделей с целью оценки эффективности химиотерапии были применены разнообразные методики моделирования, такие как регрессионный анализ пропорциональных рисков Кокса, логистическая регрессия, иерархическое группирование, тест Стюдента, Манн ― Уитни и т.д. Большинство этих методик не являются истинно статистическими методами для моделирования или прогноза, а являются классифицирующими методами, разделяющими пациентов на тех, у кого «прогноз хороший» и у кого «прогноз плохой». Для клинической практики, однако, рекомендованы именно тесты, основанные на регрессионном анализе, которые смогут прогнозировать исходы лечения. К таким тестам относятся логистическая и линейная регрессия, метод пропорциональных рисков Кокса и гребневая регрессия.
Из предиктивных моделей следует упомянуть модели, разработанные Glaysher S., Gabriel F.G., Johnson P. и соавторы [31] и Vogt U., Falkiewicz B., Bielawski K. и соавторы [32] в которых оценивалась эффективность различных схем и их сочетания на примере отдельных моделей. Недостатком является то, что они рассматривали эту эффективность на культуре in vitro в сочетании с профилированием генной экспрессии, чтобы сформировать тренировочную базу данных.
Jeong W. и соавторы изучили ответ на таксановые препараты у 185 пациентов с раком яичников при помощи модели на основании гена YAP1. В данной модели прогноз был изучен при помощи нескольких статистических анализов на одной и той же когорте пациентов: кривые выживаемости Каплан ― Мейер, регрессионный анализ, модель пропорциональных рисков Кокса. В результате исследования авторы доказали предиктивную роль данной генной подписи [33].
В отличие от предыдущих авторов, J. Stuart Ferriss, Youngchul Kim, Linda Duska и соавторы изучили предиктивную роль относительно чувствительности к платиновым препаратам при помощи мультигенной модели. Недостатком данной модели также является проведение исследования in vitro, однако, полученные данные потом были сопоставлены с историческим когортом. Примененный статистический метод авторы назвали «корреляцией корреляций», которая сначала вычисляет корреляции экспрессии внутри каждого набора идентичных генов, а затем оценивается корреляция по генам между двумя корреляционными матрицами из двух наборов [34].
Предиктивные модели играют важную роль не только при лечении пациентов, чувствительных к платиновым и таксановым препаратам, но также при лечении химиорезистентных пациентов.
Группа пациентов, резистентная к платиновым препаратам, очень гетерогенна с точки зрения прогноза и общей выживаемости (9-17 месяцев по данным разных авторов) [34, 35]. Традиционно этот термин применяется к тем пациентам, у которых болезнь прогрессирует в течение 6 месяцев после окончания предыдущего курса химиотерапии платиновыми препаратами.
В клиническом исследовании CALYPSO авторы выявили прогностические факторы как для чувствительных к платиновым препаратам, так и для резистентных пациентов [36]. На основании регрессионного анализа была разработана номограмма для классификации пациентов, которые являются кандидатами для паллиативной химиотерапии. Авторы включили в свою предиктивную модель такие прогностические факторы, как размеры опухоли, уровни CA125, асциты и другие биологические характеристики опухоли. Все же, у исследования есть определенные недостатки, как например, отсутствие внешней валидизации, не очень высокие диагностические показатели (C-statistic Z 0.65) и отсутствие рассмотрения генетических факторов.
Другая шкала, оценивающая вероятность чувствительности к химиотерапии на основании экспрессии 10 генов, связанных с раком яичников: GPC1, CYPB, MSLN, LIMK2, DOCK4, STK31, IGF1, CHI3L1, Survivin, and CBAP, была в последствии валидизирована на основании базы данных «Атлас ракового генома». Данная модель была разработана при помощи модели пропорциональных рисков Кокса. Валидизирование показало, что пациенты с высоким риском рака яичников согласно данной модели демонстрируют худшие показатели медианы общей выживаемости по сравнению с пациентами с низким риском.
Таким образом, модели, прогнозирующие эффективность химиотерапии у тех или иных пациентов, называются предиктивными. Самыми эффективными и простыми моделями с клинической точки зрения являются те, которые включают мультигенные маркеры и базируются на логистической регрессии.
Предиктивные модели для прогнозирования оптимальности первичных циторедуктивных операций
Еще одна категория предиктивных моделей направлена на оценку возможности оптимальной циторедукции в предоперационном периоде. Как известно, местное распространение заболевания и комплексная максимальная циторедукция являются важнейшими прогностическими факторами. Это было подтверждено в том числе в ретроспективном анализе 2655 пациентов с оптимальной и субоптимальной циторедукцией, включенным в исследование GOG 0182 3-й фазы [37].
Исследователями из Кореи на базе изучения данных пациентов двух референтных центров третьего уровня была разработана подобная модель после исследования 866 пациентов (номограмма), которая предсказывала безрецидивную 3-летнюю выживаемость и общую 5-летнюю выживаемость. Эта модель включала характеристики распространения опухоли (не только стадию), вид комбинированной терапии (НХТ с последующей циторедукцией или первичная циторедуктивная операция) и некоторые биологические характеристики пациента (CA 125, моноциты, лимфоциты) [38].
В другой корейской модели, разработанной на основании изучения 343 пациентов, разделенных между тренировочной и валидизационной группами, прогнозировалась неоптимальность первичной циторедукции на основании данных ПЭТ КТ и/или компьютерной томографии, оценки гинекологических онкологов при помощи индекса агрессивности и т.д. Модель продемонстрировала высокие диагностические характеристики ― 0.861 (95% CI, 0.790 – 0.932) [39].
Очень похожа на последнюю модель также «шкала Суидан» [40], в которой R.S. Suidan и соавторы, в результате проспективного, нерандомизированного многоцентрового исследования результатов первичной циторедуктивной операции 350 пациентов с раком яичников III-IV стадии, разработали предиктивную модель предсказывающую оптимальность циторедукции на основании трех клинических и 8 КТ критериев: возраст старше 60 лет, CA-125 ≥600 U/mL, ASA 3-4, патологические очаги у корня верхней брыжеечной артерии, у селезеночных связок, в области малой кривизны желудка, в области ворот печени, в области ложа желчного пузыря, в надпочечных ретроперитонеальных лимфоузлах, тонкокишечных спаек и умеренного/выраженного асцита. У каждого критерия был соответствующий балл, и у пациентов с итоговым баллом 0-2, 3-5, 6-8 и ≥9 балл составлял 45%, 68%, 87% и 96% соответственно.
Стоит отметить, что большинство моделей, предсказывающих вероятность оптимальной циторедукции, в основном базируются на клинико-патологических данных и практически нет моделей, включающих также генетические маркеры.
Одной из современных тенденций в области математического моделирования является применение искусственного интеллекта для выбора пациентов, у которых вероятнее всего реализация оптимальной циторедукции [41, 42].
Согласно другой группе исследователей классификация с использованием градиентного бустинга также позволила точно определить прогностические подгруппы пациентов перед циторедуктивными операциями [43].
Классификация с использованием градиентного бустинга точно определила прогностические подгруппы в другой модели [44].
Также, исследователи предлагают предиктивные модели на основании машинного моделирования, которые вычисляют прогноз с учетом биомаркеров в крови [45].
И наконец, предиктивные модели на основании методов глубокого обучения (англ. Deep learning methods) помогают определить вероятность оптимальной циторедукции у пациентов с высокодифференцированной серозной аденокарциномой при помощи анализа данных КТ-обследований.
Прогностические и предиктивные модели будущего должны учитывать геномические, транскрипционные и посттрансляционные молекулярные характеристики рака яичников. Данные модели смогут реализовать комплексный анализ при помощи искусственного интеллекта и дадут возможность в клинической практике учитывать все разнообразие клиникопатологических характеристик, метаболических нарушений и имунных изменений.
Заключение
Помимо того, что прогностические модели могут служить инструментом для объяснения сложных взаимодействий клинико-патологических и биологических данных, влияющих на выбор того или иного метода лечения, они также могут использоваться для принятия клинических решений, связанных с хирургическим вмешательством и химиотерапией.
Большинство прогностических моделей по оценке индивидуального риска рака яичников доступны на соответствующих он-лайн ресурсах для обычных пользователей, которые смогут оценить свой пожизненный риск и в связи с этим обратиться за профессиональной помощью за превентивными мерами.
С учетом сложного процесса дифференциальной диагностики рака яичников в предоперационном периоде прогностические модели по оценке риска злокачественности помогают гинекологу-онкологу выбрать наиболее подходящий план оперативного лечения.
И наконец, предиктивные модели, оценивающие чувствительность к химиотерапии или возможность реализации оптимальной циторедукции, помогают индивидуализировать план комбинированного лечения, с учетом клиникопатологических данных пациента.
Все же, пока что очень мало предиктивных моделей, которые учитывают геномные и иммунные сигнатуры, и разработка новых моделей с учетом этих факторов поможет с более высокой точностью прогнозировать общую и безрецидивную выживаемость пациентов с раком яичников.
Конфликт интересов отсутствует
Литература
- Liest A.L., Omran A.S., Mikiver R., et al. RMI and ROMA are equally effective in discriminating between benign and malignant gynecological tumors: A prospective population-based study // Acta Obstetricia et Gynecologica Scandinavica. ― 2019. ― Vol. 1 (98). ― P. 24-33.
- Fekete J.T., Ősz Á., Pete et al. Predictive biomarkers of platinum and taxane resistance using the transcriptomic data of 1816 ovarian cancer patients // Gynecologic oncology. ― ― Vol. 156 (3). ― P. 654-661.
- Bouzari Z., Rahimi H., Gholinia H. et al. Cancer Antigen 125 (CA125), Human Epididymis Protein 4 (HE4), Risk of Malignancy Index (RMI), and Risk of Ovarian Malignancy Algorithm (ROMA) as Diagnostic Tests in Ovarian Cancer // International Journal of Cancer Management. ― ― 12 (1). ― P. e59395.
- Tezak Z., Kondratovich M.V., Mansfield M.E. In vitro diagnostic regulatory perspective // Per Med. ― 2010. ― 7 (5). ― P. 517-30.
- Oldenhuis C., Oosting S., Gietema J. et al. Prognostic versus predictive value of biomarkers in oncology // Eur. J. Cancer. ― 2008. ― 44 (7). ― P. 946-953.
- Patel A., Iyer P., Matsuzaki S., et al. Emerging trends in neoadjuvant chemotherapy for ovarian cancer // Cancers. ― 2021. ― 13 (4). ― P. 626.
- Epidemiology Working Group Steering Committee, Ovarian Cancer Association Consortium Members of the EWG SC, in alphabetical order: Doherty J.A., Jensen A., Kelemen L.E., et al. Current gaps in ovarian cancer epidemiology: the need for new population-based research // JNCI: Journal of the National Cancer Institute. ― 2017. ― 109 (10). ― P. djx144.
- Hong J., Lee J., Kwon M. et al. Local Laboratory Testing of Germline BRCA Mutations vs. Myriad: A Single-Institution Experience in Korea // Diagnostics. ― 2021. ― 11 (2). ― P. 370.
- Archer S., De Villiers C.B., Scheibl F. et al. Evaluating clinician acceptability of the prototype CanRisk tool for predicting risk of breast and ovarian cancer: A multi-methods study // PLoS One. ― 2020. ― 15 (3). ― P. 1-19.
- Lee A., Mavaddat N., Wilcox A.N., et al. A comprehensive breast cancer risk prediction model incorporating genetic and nongenetic risk factors // Genetics in Medicine. ― 2019. ― 21 (8). ― P. 1708-18.
- Williams K.A., Terry K.L., Tworoger S.S. et al. Polymorphisms of MUC16 (CA125) and MUC1 (CA15. 3) in relation to ovarian cancer risk and survival // PLoS One. ― 2014. ― 9 (2). ― P. e88334.
- Fischer C., Kuchenbacker K., Engel C. et al. Evaluating the performance of the breast cancer genetic risk models BOADICEA, IBIS B and C for predicting, Hereditary BRCA mutation carrier probabilities: a study based on 7352 families // OCCJ. ― 2013. ― 50 (6). ― P. 360-7.
- Bookman M.A. Can we predict who lives long with ovarian cancer? // Cancer. ― 2019. ― 125 (S24). ― P. 4578-81.
- Mimoun C., Benifla J.L., Fauconnier A., et al. Intraoperative Clinical Examination for Assessing Pelvic and Para-Aortic Lymph Node Involvement in Advanced Epithelial Ovarian Cancer: A Systematic Review and Meta-Analysis // J. Clin. Med. ― 2020. ― 9 (9). ― P. 2793.
- Christiansen F., Epstein E.L., Smedberg E., et al. EEU image analysis using deep neural networks for discriminating between benign and malignant ovarian tumors: comparison with expert subjective assessment // UOG. ― 2021. ― 57 (1). ― P. 155-63.
- Szubert S., Szpurek D., Wójtowicz A. et al. MRP of selected models for predicting malignancy in ovarian tumors in relation to the degree of diagnostic uncertainty by subjective assessment with ultrasound // J. of Ultrasound in Medicine. ― 2020. ― 39 (5). ― P. 939-47.
- Dochez V., Caillon H., Vaucel E., et al. Biomarkers and algorithms for diagnosis of ovarian cancer: CA125, HE4, RMI and ROMA, a review // Journal of Ovarian Research. ― 2019. ― 12 (1). ― P. 1-9.
- Zhang S., Yu S., Hou W. et al. Diagnostic extended usefulness of RMI: comparison of four risk of malignancy index in preoperative differentiation of borderline ovarian tumors and benign ovarian tumors // J. Ovarian Res. ― 2019. ― 12 (1). ― P. 87.
- Haque R. Feasibility, patient compliance and acceptability of ovarian cancer surveillance using two serum biomarkers and Risk of Ovarian Cancer Algorithm compared to standard ultrasound and CA 125 among women with BRCA mutations // Gynecologic oncology. ― 2020. ― 157 (2). ― P. 521-8.
- Timmerman D., Testa A.C., Bourne T., et al. Logistic Regression Model to Distinguish Between the Benign and Malignant Adnexal Mass Before Surgery: A Multicenter Study by the International Ovarian Tumor Analysis Group // J. Clin. Oncol. ― 2005. ― 23 (34). ― P. 8794-801. doi: 10.1200/JCO.2005.01.7632
- Akazawa M. Artificial intelligence in ovarian cancer diagnosis // AR. ― 2020. ― 40 (8). ― P. 4795-800.
- Kobayashi Y., Banno K., Aoki D. Current status and future directions of ovarian cancer prognostic models // Journal of Gynecologic Oncology. ― 2021. ― 32 (2). ― P. e34.
- Geomini P., Kruitwagen R., Bremer G.L., et al. The accuracy of risk scores in predicting ovarian malignancy: A systematic review // Obstet Gynecol. ― 2009. ― 113 (2 part 1). ― P. 384-94.
- Sassone A.M., Timor-Tritsch I.E., Artner A., et al. Sonographic characterization of ovarian disease: evaluation of a new scoring system to predict ovarian malignancy // OG. ― 1991. ― 78. ― P. 70-6.
- Timmerman D., Schwärzler P., Collins W.P. et al. Subjective assessment of adnexal masses with the use of ultrasonography: an analysis of interobserver variability and experience // Ultrasound in Obstetrics and Gynecology: The Official Journal of the International Society of Ultrasound in Obstetrics and Gynecology. ― 1999. ― 13 (1). ― P. 11-6.
- Smolen A., Czekierdowski A., Daniłos J. Logistic regression analysis in the pre-operative differentiation of ovarian tumors // PGP. ― 2002. ― 73. ― P. 1053-60.
- Kaijser J., Bourne T., Valentin L., et al. Improving strategies for diagnosing ovarian cancer: A summary of the International Ovarian Tumor Analysis (IOTA) studies // Ultrasound Obstet. Gynecol. ― 2013. ― 41 (1). ― P. 9-20.
- Timmerman D., Verrelst H., Bourne T. et al. A neural network model for the preoperative discrimination between malignant and benign adnexal masses // UOG. ― 1999. ― 13. ― P. 17-25.
- Mol B.W., Boll D., De Kanter et al. Differentiating the benign and malignant adnexal mass: an external validation of prognostic models // GO. ― 2001. ― 80. ― P. 162-7.
- Van Holsbeke C., Van Calster B., Valentin L. et al. E validation of mathematical models to distinguish between benign and malignant adnexal tumors: a multicenter study by the IOTAGCCR // UOG. ― 2007. ― 13. ― P. 4440-7.
- Glaysher S., Gabriel F.G., Johnson P., et al. Ovarian cancer prediction model, basis of chemosensitivity of platinum pre-treated cancer to chemotherapy // BJC. ― 2010. ― 103. ― P. 656-62.
- Vogt U., Falkiewicz B., Bielawski K., Bosse U. Modified factors to ex vivo chemosensitivity of ovarian cancer in elected c-myc and erbb oncogene family gene aberrations and other atp-chemosensitivity assay // ABP. ― 2000. ― 47 (1). ― P. 157-64.
- Jeong W., Kim S.B., Sohn B.H., et al. Activation of YAP1 is associated with poor prognosis and response to taxanes in ovarian cancer // Anticancer Res. ― 2014. ― 34 (2). ― P. 811-8.
- Ferriss J.S., Kim Y., Duska L. et al. Multi-gene expression predictors of single drug responses to adjuvant chemotherapy in ovarian carcinoma: Predicting platinum resistance // PLoS One. ― 2012. ― 7 (2). ― P. 1-8.
- Lloyd K.L., Cree I.A., Savage R.S. Prediction of resistance to chemotherapy in ovarian cancer: A systematic review // BMC Cancer. ― 2015. ― 15 (1). ― P. 1-32.
- Lee C.K., Simes R.J., Brown C., et al. A prognostic nomogram to predict overall survival in patients with platinum-sensitive recurrent ovarian cancer // Ann Oncol. ― ― 24 (4). ― P. 937-43.
- Horowitz N.S., Miller A., Rungruang B. et al. Do aggressive surgery improve outcomes? International study of preoperative disease burden and complex surgery in patients with advanced-stage ovarian cancer: an analysis of GO 182 // JCO. ― ― 33. ― P. 937-943.
- Kim S.I., Song M., Hwangbo S. et al. Design of web-based nomograms to predict treatment response and prognosis of epithelial // CRT. ― ― 51. ― P. 1144-1155.
- Shim S.H., Lee S.J., Kim S.O. et al. N for predicting incomplete cytore-duction in advanced ovarian cancer patients // GO. ― ― 136. ― P. 30-36.
- Suidan R.S., Ramirez P.T., Sarasohn D.M., et al. A multicenter assessment of the ability of preoperative computed tomography scan and CA-125 to predict gross residual disease at primary debulking for advanced epithelial ovarian cancer // Gynecologic oncology. ― ― 145 (1). ― P. 27-31.
- Bogani G., Tagliabue E., Signorelli M. et al. A score system for complete cytoreduction in selected recurrent ovarian cancer patients undergoing secondary cytoreductive surgery: Predictors- and nomogram-based analyses // J. Gynecol Oncol. ― ― 29 (3). ― P. 1-11.
- Bogani G., Rossetti D., Ditto A. et al. Artificial intelligence weights the, Recurrent importance of factors predicting complete cytoreduction at secondary cytoreductive surgery for ovarian cancer // JGO. ― ― 29. ― P. e66.
- Shim S.H., Lee S.J., Kim S.O. et al. Nomogram for predicting incomplete cytoreduction in advanced ovarian cancer patients // Gynecol. Oncol. ― ― 136 (1). ― P. 30-6.
- Paik E.S., Lee J.W., Park J.Y. et al. Prediction of survival outcomes in patients with epithelial ovarian cancer using machine learning methods // JGO. ― ― 30. ― P. e65.
- Kawakami E., Tabata J., Yanaihara N., et al. A preoperative diagnostic and prognostic prediction of epithelial ovarian cancer based on artificial intelligence analysis of blood biomarkers // CCR. ― ― 25. ― P. 3006-15.