Способ прогнозирования исходов рака молочной железы

Изобретение относится к медицине, а именно к персонифицированной медицине с использованием молекулярно-биологических и клинических данных в онкологии, и может быть использовано для предсказания риска прогрессирования и смерти больных раком молочной железы. Используют наивные байесовские сети, оптимизированные по числу узлов до получения максимальной величины площади под ROC-кривой. Определяют значимые параметры, влияющие на исход рака молочной железы. Каждый узел, кроме корневого, соответствует одному из параметров базы данных пациенток. Корневые узлы соответствуют конечным точкам, характеризующим прогрессирование заболевания или смерть пациентки на заданном временном интервале. Для прогноза прогрессирования заболевания значимыми параметрами являются возраст на момент операции, менструальный статус, категория N - лимфоузлы, экспрессия рецепторов прогестерона, экспрессия рецептора HER-2/neu, предоперационная лучевая терапия, неоадъювантная химиотерапия. Для прогноза смерти пациентки значимыми параметрами являются менструальный статус, категория Т - размер опухоли, категория N - лимфоузлы, молекулярно-биологический подтип, уровень экспрессии мРНК YB-1, предоперационная лучевая терапия, гормонотерапия. На основании данных, полученных при построении ROC-кривых, строят гистограммы риска исходов рака молочной железы, связывающие условную вероятность исходов с абсолютной вероятностью соответствующего исхода. Разбивают условную вероятность исхода на четыре интервала значений, соответствующих четырем группам риска. Проводят опрос обученной ранее БС, используя значимые параметры конкретной пациентки. На основании полученной при опросе БС условной вероятности соответствующего исхода данную пациентку относят к одной из групп риска. По полученной величине с помощью гистограмм риска абсолютной вероятности определяют прогноз соответствующего исхода - прогрессирование или смерть. Способ обеспечивает повышение точности прогнозирования исходов рака молочной железы в результате оптимизации байесовской сети (БС) за счет получения максимальной величины площади под ROC-кривой, облегчение задачи врача по принятию решения о тактике ведения пациентки за счет небольшого числа прогностических параметров, возможность использования вероятностных моделей с большим числом узлов. 5 ил., 2 пр.