Autore: Erica Secchettin, Università di Verona Dipartimento di Scienze Chirurgiche,Odontostomatologiche e materno-infantili
erica.secchettin@univr.it
Salvatore Paiella, Università di Verona- Chirurgia del pancreas- Istituto del pancreas Danila Azzolina, Università degli studi di Ferrara Giuseppe Malleo, Università di Verona- Chirurgia del pancreas- Istituto del pancreas Dario Gregori, Università di Padova- Dipartimento di Scienze Cardio-Toraco-Vascolari e Sanita’ Pubblica
Categora Primaria: Metodi epidemiologici e biostatistici
Introduzione: I modelli di sopravvivenza del carcinoma del pancreas (CP) hanno poca utilità clinica e prestazioni modeste. Quelli esistenti si basano su dati postoperatori e si basano su tecniche di regressione non lineare, che non considerano la natura dinamica del processo di cura. Mancano dunque dei modelli prognostici basati su variabili paziente- o tumore-specifiche presenti alla diagnosi, meglio capaci di modellare la sopravvivenza dopo la chirurgia.
Obiettivi: Valutare l’applicabilità dell’elicitazione di esperti rispetto a variabili cliniche alla diagnosi, per modellare la sopravvivenza dei pazienti affetti da CP, su una rete bayesiana ibrida (RBIC).
Metodi: E’ stata progettata una RBIC, per individuare le connessioni delle variabili prognostiche alla diagnosi, capace di gestire variabili continue e categoriche simultaneamente, costituita dai seguenti nodi: Ca19.9, sesso, BMI, anno di diagnosi, sede e dimensione del tumore, età, diabete, sintomi, punteggio ASA, resecabilità e terapia neoadiuvante. Per ciascun nodo della rete, la distribuzione lineare pooled è stata creata secondo il metodo SHeffield ELicitation Framework (SHELF). È stato svolto un progetto bifasico (nazionale e mondiale) per perfezionare la survey degli esperti e le quantità di interesse (QoIs). Queste, sono state tradotte in valori numerici, interpolati ed aggregati secondo metodo dei quantili. È stata eseguita un’aggregazione matematica lineare per riassumere i dati delle distribuzioni pooled di esperti. La distribuzione ottimale aggregata è stata calcolata considerando media e la deviazione standard della distribuzione lineare per i nodi continui e la trasformazione in parametri di forma (alfa) e scala (beta) per i nodi categoriali.
Risultati: I grafici hanno mostrato accordo generale tra le distribuzioni dei singoli esperti; tuttavia, sono state riscontrate alcune discrepanze per quanto riguarda le dimensioni del tumore, l’età e la classe ASA. Le variabili relative alle dimensioni del tumore e ASA hanno presentato una concordanza assoluta e la massima espressione del consenso degli esperti, e i livelli di Ca19.9 e lo stato di resecabilità hanno mostrato un’ottima concordanza. Invece, i restanti nodi hanno presentato una concordanza accettabile.
Conclusioni: Questo progetto propone, per la prima volta, una RBIC che incorpora le informazioni degli esperti su variabili prognostiche presenti al momento della diagnosi, con l’obiettivo finale di modellare la sopravvivenza dei pazienti affetti da CP. Si dimostra dunque che è possibile utilizzare un processo strutturato per raccogliere le opinioni di esperti su variabili senza valori soglia prognostici universalmente accettati. Il modello costruito può contribuire a sviluppare modelli prognostici affidabili e guidare il processo decisionale, superando così i limiti di quelli attualmente disponibili. Sarà necessario un processo di validazione per valutare le prestazioni del modello e la sua applicabilità clinica.