Новый критерий отбора пациентов для трансплантации по поводу гепатоцеллюлярной карциномы на фоне цирроза печени

Цель. Разработка и обоснование нового критерия отбора пациентов для трансплантации печени при гепатоцеллюлярной карциноме на фоне цирроза с целью повышения точности прогнозирования рецидива и обеспечения клинически приемлемых показателей пятилетней безрецидивной и общей выживаемости.

Материал и методы. Ретроспективно анализировали результаты трансплантации печени 69 пациентам с гепатоцеллюлярной карциномой на фоне цирроза. Для определения новых критериев отбора пациентов рассматривали размер наибольшей опухоли, число опухолей, уровень α-фетопротеина и максимальное значение LI-RADS. Разработали новые критерии “Правило 5-6-250/LI-RADS”, сравнили их эффективность с Миланскими критериями и Правилом 5-5-500. Рассчитывали чувствительность, специфичность, F1-score, C-index, а также общую и безрецидивную выживаемость.

Результаты. Доля пациентов, соответствующих Правилу 5-6-250/LI-RADS, Правилу 5-5-500, Миланским критериям, оказалась 65,2, 60,9 и 36,2%. Чувствительность, специфичность, C-индекс и F1-score для Правила 5-6-250/LI-RADS составили 78%, 100%, 0,89 и 0,87; для Правила 5-5-500 – 78%, 88%, 0,83 и 0,82, для Миланских критериев – 89%, 65%, 0,77 и 0,79. Пятилетняя безрецидивная выживаемость составила 85, 86 и 91%, пятилетняя общая выживаемость – 76, 79 и 78%.

Заключение. Исследование подтвердило потенциал Правила 5-6-250/LI-RADS в улучшении отбора пациентов с гепатоцеллюлярной карциномой для трансплантации печени. Интеграция LI-RADS с традиционными параметрами продемонстрировала высокие показатели чувствительности, специфичности, F1-score и C-index. Это способствует более точной оценке риска рецидива и расширению показаний к трансплантации. Для повышения точности и автоматизации классификации по LI-RADS необходимо увеличение выборки, применение методов машинного обучения, валидация на реальных данных.

1. Sung H., Ferlay J., Siegel R.L., Laversanne M., Soerjomataram I., Jemal A., Bray F. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J. Clin. 2021; 71 (3): 209–249. https://doi.org/10.3322/caac.21660

2. Horwitz J.K., Agopian V.G. Indication of liver transplant for HCC: current status and future directions. Curr. Hepatol. Rep. 2024; 23 (1): 185–192. https://doi.org/10.1007/s11901-024-00641-y

3. Восканян С.Э., Сушков А.И., Артемьев А.И., Рудаков В.С., Колышев И.Ю., Губарев К.К., Забежинский Д.А., Попов М.В. Программа трансплантации печени в Федеральном медицинском биофизическом центре им. А.И. Бурназяна: опыт 500 операций. Хирургия. Журнал им. Н.И. Пирогова. 2024; 7: 45–60. https://doi.org/10.17116/hirurgia202407145

4. Восканян С.Э., Рудаков В.С., Сушков А.И., Попов М.В., Башков А.Н., Губарев К.К., Артемьев А.И., Колышев И.Ю., Муктаржан М., Пашков А.Н., Найденов Е.В., Светлакова Д.С. Новая прогностическая модель исходов трансплантации печени по поводу гепатоцеллюлярной карциномы. Трансплантология. 2024; 16 (3): 278–290. https://doi.org/10.23873/2074-0506-2024-16-3-278-290

5. Mazzaferro V., Regalia E., Doci R., Andreola S., Pulvirenti A., Bozzetti F., Montalto F., Ammatuna M., Morabito A., Gennari L. Liver transplantation for the treatment of small hepatocellular carcinomas in patients with cirrhosis. N. Engl. J. Med. 1996; 334 (11): 693–700. https://doi.org/10.1056/NEJM199603143341104

6. Олисов О.Д., Новрузбеков М.С., Гуляев В.А., Луцык К.Н. Роль ингибиторов кальциневрина в прогрессии гепатоцеллюлярной карциномы после трансплантации печени. Трансплантология. 2022; 14 (3): 292–300. https://doi.org/10.23873/2074-0506-2022-14-3-292-300

7. Восканян С.Э., Найденов Е.В., Артемьев А.И., Колышев И.Ю., Забежинский Д.А., Губарев К.К., Рудаков В.С., Шабалин М.В., Сушков А.И., Попов М.В., Светлакова Д.С., Мальцева А.П., Муктаржан М., Садыхов З., Видмер Е.В. Отдаленные результаты трансплантации печени при гепатоцеллюлярном раке. Анналы хирургической гепатологии. 2021; 26 (2): 68–82. https://doi.org/10.16931/10.16931/1995-5464.2021-2-68-82

8. Восканян С.Э., Сушков А.И., Артемьев А.И., Забежинский Д.А., Найденов Е.В., Башков А.Н., Чучуев Е.С., Шабалин М.В., Сюткин В.Е. Salvage-трансплантация печени при лечении гепатоцеллюлярной карциномы. Хирургия. Журнал им. Н.И. Пирогова. 2019; 10: 21–28. https://doi.org/10.17116/hirurgia201910121

9. Schima W., Heiken J. LI-RADS v2017 for liver nodules: how we read and report. Cancer Imaging. 2018; 18 (1): 14. https://doi.org/10.1186/s40644-018-0149-5

10. Mazzaferro V., Sposito C., Zhou J., Pinna A.D., De Carlis L., Fan J., Cescon M., Di Sandro S., He Y.F., Lauterio A., Bongini M., Cucchetti A. Metroticket 2.0 model for analysis of competing risks of death after liver transplantation for hepatocellular carcinoma. Gastroenterology. 2018; 154: 128–139. https://doi.org/10.1053/j.gastro.2017.09.025

11. Centonze L., Di Sandro S., Lauterio A., De Carlis R., Sgrazzutti C., Ciulli C., Vella I., Vicentin I., Incarbone N., Bagnardi V., Vanzulli A., De Carlis L. A retrospective single-centre analysis of the oncological impact of LI-RADS classification applied to Metroticket 2.0 calculator in liver transplantation: every nodule matters. Transpl. Int. 2021; 34 (9): 1712–1721. https://doi.org/10.1111/tri.13983

12. Hong C.W., Chernyak V., Choi J.-Y., Lee S., Potu C., Delgado T., Wolfson T., Gamst A., Birnbaum J., Kampalath R., Lall C., Lee J.T., Owen J.W., Aguirre D.A., Mendiratta-Lala M., Davenport M.S., Masch W., Roudenko A., Lewis S.C., Kierans A.S., Hecht E.M., Bashir M.R., Brancatelli G., Douek M.L., Ohliger M.A., Tang A., Cerny M., Fung A., Costa E.A., Corwin M.T., McGahan J.P., Kalb B., Elsayes K.M., Surabhi V.R., Blair K., Marks R.M., Horvat N., Best S., Ash R., Ganesan K., Kagay C.R., Kambadakone A., Wang J., Cruite I., Bijan B., Goodwin M., Cunha G.M., Tamayo-Murillo D., Fowler K.J., Sirlin C.B. A Multicenter assessment of interreader reliability of LI-RADS version 2018 for MRI and CT. Radiology. 2023; 307 (5): e222855. https://doi.org/10.1148/radiol.222855

13. Wang K., Liu Y., Chen H., Yu W., Zhou J., Wang X. Fully automating LI-RADS on MRI with deep learning-guided lesion segmentation, feature characterization, and score inference. Front. Oncol. 2023; 13: 1153241. https://doi.org/10.3389/fonc.2023.1153241