Entwicklung eines Risikomodells zur Abschätzung der Disqualifikationsrate aus der aktiven Überwachung bei Patienten mit Niedrigrisiko-Prostatakarzinom
Abstract
Die aktive Überwachung (AS) stellt eine etablierte Therapieoption für Patienten mit Niedrigrisiko-Prostatakarzinom dar. Ziel dieser Arbeit war die Entwicklung eines prädiktiven Risikomodells zur verbesserten Vorhersage einer Disqualifikation aus der aktiven Überwachung. In einer retrospektiven multizentrischen Kohortenstudie wurden klinische, pathologische und radiologische Daten von Patienten mit Niedrigrisiko-Prostatakarzinom aus vier Zentren analysiert. Zur Identifikation unabhängiger Prädiktoren wurde ein multivariates Cox-Proportional-Hazard-Modell erstellt und intern sowie extern validiert. In die Analyse wurden 397 Patienten eingeschlossen. Unabhängige Prädiktoren für eine Disqualifikation aus der aktiven Überwachung waren ein positiver Tastbefund in der digital-rektalen Untersuchung (DRU), die Anzahl positiver Stanzen in der transrektalen Ultraschall-Fusionsbiopsie (TRUS-Fusionsbiopsie) sowie das Vorliegen einer Läsion in der initialen Magnetresonanztomographie (MRT). Bei Patienten mit seriellen Magnetresonanztomographien erfolgte die Verlaufsbeurteilung anhand des Prostate Cancer Radiological Estimation of Change in Sequential Evaluation (PRECISE)-Scores, der eine höhere prädiktive Genauigkeit aufwies als das rein klinische Modell (Area under the Curve (AUC) 0,81–0,82 vs. 0,77). Durch die Kombination des PRECISE-Scores mit klinischen Parametern wurde ein erweitertes Risikomodell entwickelt, das eine sehr gute Diskriminierungsfähigkeit zur Vorhersage einer Disqualifikation aus der aktiven Überwachung innerhalb von 36 Monaten zeigte (AUC 0,86). Die externe Validierung ergab eine eingeschränkte Generalisierbarkeit, bedingt durch interinstitutionelle Unterschiede in der Prävalenz klinisch signifikanter Prostatakarzinome. Zusammenfassend ermöglicht das entwickelte Risikomodell eine verbesserte individuelle Risikostratifizierung bei Patienten unter aktiver Überwachung und kann zur Optimierung der Patientenselektion sowie zur Reduktion von Überbehandlungen beitragen. Weitere externe Validierungen sind erforderlich. Active surveillance (AS) is an established management strategy for patients with low-risk prostate cancer. The aim of this study was to develop a predictive risk model for disqualification from active surveillance. In this retrospective multicenter cohort study, clinical, pathological, and radiological data from patients with low-risk prostate cancer were analyzed. Independent predictors of disqualification were identified using a multivariate Cox proportional hazards regression model, and model performance was evaluated by internal and external validation. A total of 397 patients were included. Significant predictors of active surveillance disqualification were a positive digital rectal examination (DRE), the number of positive biopsy cores obtained by transrectal ultrasound fusion biopsy (TRUS fusion biopsy), and the presence of one lesion on baseline magnetic resonance imaging (MRI). In patients with serial magnetic resonance imaging during active surveillance, radiological progression was assessed using the Prostate Cancer Radiological Estimation of Change in Sequential Evaluation (PRECISE) score. The clinical risk model showed lower predictive accuracy (area under the curve (AUC) 0.77) compared with the PRECISE score (AUC 0.81–0.82). An extended risk model combining the PRECISE score with clinical parameters demonstrated improved discrimination (AUC 0.86) for predicting disqualification from active surveillance within 36 months. External validation revealed limited generalizability, mainly due to interinstitutional differences in the prevalence of clinically significant prostate cancer. In conclusion, the developed risk model enables improved individualized risk stratification in patients undergoing active surveillance for low-risk prostate cancer. Its application may support optimized patient selection and reduction of overtreatment. Further external validation is required prior to routine clinical use.
Fields of Study & Subjects
Prostate Cancer Diagnosis and Treatment
Prostate Cancer Treatment and Research
Radiomics and Machine Learning in Medical Imaging
Publication details
- Journal / source
- DuEPublico (University of Duisburg-Essen)
- Publication date
- 11 March 2026
- Language
- DE
- Document type
- Thesis