CÁC MÔ HÌNH DỰ BÁO NGUY CƠ UNG THƯ VÚ: NGHIÊN CỨU TỔNG QUAN HỆ THỐNG
Nội dung chính của bài viết
Tóm tắt
Tóm tắt: Ung thư vú là bệnh ung thư phổ biến nhất ở phụ nữ Việt Nam. Việc xây dựng mô hình dự báo nguy cơ ung thư vú đóng vai trò quan trọng trong sàng lọc và phát hiện sớm. Mục tiêu: Tổng quan các mô hình dự báo nguy cơ ung thư vú trên thế giới nhằm đề xuất mô hình phù hợp bối cảnh Việt Nam. Phương pháp: Nghiên cứu tổng quan hệ thống theo hướng dẫn PRISMA 2020, tổng hợp các nghiên cứu công bố đến ngày 31/12/2024. Các mô hình được đánh giá dựa trên độ nhạy, độ đặc hiệu, diện tích dưới đường cong AUC, và đánh giá nguy cơ sai lệch bằng công cụ PROBAST. Phân tích gộp được thực hiện đối với AUC bằng mô hình ảnh hưởng ngẫu nhiên. Kết quả: Có 18 mô hình được phát triển, trong đó 5 mô hình đã được ngoại kiểm. Các mô hình sử dụng 19 biến số khác nhau, với kích thước mẫu từ 222 đến 1.455.493 người. Giá trị AUC của các mô hình dao động từ 0,46 đến 0,80, trong đó các mô hình truyền thống như Gail, IBIS, BCSC và Rosner–Colditz thường đạt AUC 0,55–0,70. Các mô hình dành cho nhóm nguy cơ cao (BRCAPRO) và các mô hình AI/deep learning cho kết quả cao hơn (AUC khoảng 0,70–0,80). Giá trị AUC gộp là 0,65 (95% CI: 0,63–0,68) với mức dị hợp cao (I² = 97,5%). Đánh giá PROBAST cho thấy các mô hình truyền thống có nguy cơ sai lệch thấp hơn so với các mô hình AI. Kết luận: Mô hình Gail có thể là lựa chọn phù hợp bước đầu tại Việt Nam nhờ tính khả thi, nhưng cần được hiệu chỉnh và kiểm định trên dữ liệu trong nước.
Chi tiết bài viết
Từ khóa
mô hình dự báo nguy cơ, ung thư vú
Tài liệu tham khảo
2. Zheng Y., Li J., Wu Z., et al. (2022). Risk prediction models for breast cancer: a systematic review. BMJ Open, 12(7), e055398. doi: 10.1136/bmjopen-2021-055398
3. Gail M.H., Brinton L.A., Byar D.P., et al. (1989). Projecting individualized probabilities of developing breast cancer for white females who are being examined annually. J Natl Cancer Inst, 81(24), 1879–1886. doi: 10.1093/jnci/81.24.1879
4. Colditz G.A. and Rosner B. (2000). Cumulative risk of breast cancer to age 70 years according to risk factor status: data from the Nurses' Health Study. Am J Epidemiol, 152(10), 950–964. doi: 10.1093/aje/152.10.950
5. Maas P., Barrdahl M., Joshi A.D., et al. (2016). Breast Cancer Risk From Modifiable and Nonmodifiable Risk Factors Among White Women in the United States. JAMA Oncol, 2(10), 1295–1302. doi: 10.1001/jamaoncol.2016.1025
6. Lee A., Mavaddat N., Wilcox A.N., et al. (2019). BOADICEA: a comprehensive breast cancer risk prediction model incorporating genetic and nongenetic risk factors. Genet Med, 21(8), 1708–1718. doi: 10.1038/s41436-018-0406-9
7. Tice J.A., Bissell M.C.S., Miglioretti D.L., et al. (2019). Validation of the Breast Cancer Surveillance Consortium Model of Breast Cancer Risk. Breast Cancer Res Treat, 175(2), 519–523. doi: 10.1007/s10549-019-05167-4
8. Wolff RF, Moons KGM, Riley RD, et al. (2019). PROBAST: A Tool to Assess the Risk of Bias and Applicability of Prediction Model Studies. Ann Intern Med, 170(1), 51–58. doi: 10.7326/M18-1376