Copula-basierte Fusion genomischer Scores verbessert Brustkrebsprognose

In einer wegweisenden Studie haben Forscher die Kopula-basierte Fusion von klinischen und genomischen Machine‑Learning‑Risikoscores eingesetzt, um die Risikostratifikation bei Brustkrebs zu verbessern.

Die Analyse stützt sich auf die METABRIC‑Kohorte und konzentriert sich auf die 5‑jährige, krankheitsbedingte Sterblichkeit. Für jedes Patientendatenpaar wurden zwei Risikoscore erstellt: ein klinischer Score aus demografischen, tumorbezogenen und therapeutischen Variablen sowie ein genomischer Score aus Genexpressions‑z‑Scores.

Mehrere überwachte Klassifikatoren – darunter Random Forest und XGBoost – wurden trainiert, um robuste Risikoscores zu generieren. Anschließend wurden diese Scores in Pseudo‑Beobachtungen auf dem Intervall (0,1)² transformiert und mit verschiedenen Kopula‑Modellen (Gaussian, Clayton, Gumbel) verglichen.

Die klinischen Modelle erreichten einen AUC von 0,783, während die genomischen Modelle einen moderaten AUC von 0,681 aufwiesen. Die Gaussian‑Kopula zeigte die beste Passung (Bootstrap‑p = 0,997) und deutet auf eine symmetrische, mäßig starke positive Beziehung zwischen den beiden Score‑Typen hin.

Kaplan‑Meier‑Analysen verdeutlichten, dass Patienten, die sowohl im klinischen als auch im genomischen Score hochriskant eingestuft wurden, signifikant schlechtere Überlebensraten aufwiesen als Patienten, die nur in einem der beiden Score‑Set hochriskant waren. Diese Ergebnisse zeigen, dass die Kopula‑basierte Fusion in realen Datensätzen funktioniert und die Identifikation von Hochrisikopatienten verbessert.

Die Studie unterstreicht die Bedeutung, Abhängigkeiten zwischen verschiedenen Risikoscores zu berücksichtigen, um die Präzision der Brustkrebs‑Prognose zu erhöhen und die personalisierte Patientenversorgung zu optimieren.