Анализ эффективности лечения множественной миеломы на базе клинического опыта европейских стран
Анализ эффективности лечения множественной миеломы на базе клинического опыта европейских стран
Птушкин В.В., Мюллер М. Анализ эффективности лечения множественной миеломы на базе клинического опыта европейских стран. Терапевтический архив. 2021; 93 (4): 404–414.
DOI: 10.26442/00403660.2021.04.200682
DOI: 10.26442/00403660.2021.04.200682
DOI: 10.26442/00403660.2021.04.200682
________________________________________________
DOI: 10.26442/00403660.2021.04.200682
Материалы доступны только для специалистов сферы здравоохранения. Авторизуйтесь или зарегистрируйтесь.
Аннотация
Цель. Основной целью данного исследования стало моделирование эффективности терапии множественной миеломы (ММ) с применением машинного обучения, которое базировалось на анализе разных методов лечения ММ, ряда прогностических факторов и их результатов в повседневной рутинной клинической практике различных медицинских центров в европейских странах.
Материалы и методы. Исследование ретроспективное неинтервенционное многоцентровое. Для его проведения использована структурированная база данных пациентов с ММ, предоставленная компанией Oncology Information service (O.I.s.). Регистрация происходила в медицинских учреждениях восьми стран: Австрии, Бельгии, Швейцарии, Германии, Испании, Франции, Греции и Великобритании.
Результаты. Всего в выборке из 6074 пациентов с ММ проанализированы 57% мужчин и 43% женщин. Медиана возраста составила 71 год. Медиана длительности наблюдения по линиям – 387 дней. Цитогенетика высокого риска представлена в 15% случаев. Конечной точкой эффективности служил лучший ответ на каждую линию терапии, что определялось оценкой показателей времени до смерти (ВДС) в качестве косвенного показателя общей выживаемости и времени до следующей терапии (ВДСТ) в качестве косвенного показателя выживаемости без прогрессии. Медиана ВДС и ВДСТ для всей базы данных составила 730 и 399 дней соответственно. После многоступенчатого процесса отбора выбраны характеристики c наибольшей важностью для прогноза терапии: возраст в начале терапии, линия терапии, время после постановки диагноза, оценка по шкале ECOG (шкала оценки состояния больного по критериям Eastern Cooperative Oncology Group), цитогенетический риск, пригодность для ТСК, ВДСТ после предыдущей линии терапии, режим терапии.
Обсуждение. Для продолжения исследования необходимы анализ литературных данных и сопоставление с реальной практикой, а также анализ и сравнение с российскими данными лечения пациентов с ММ.
Заключение. Анализ представленных данных дает основание для моделирования инструмента по оценке эффективности терапии ММ (прогноз ВДС/ВДСТ) для конкретного пациента исходя из ряда прогностических факторов и результатов рутинной клинической практики различных медицинских центров в европейских странах.
Ключевые слова: множественная миелома, время до смерти, общая выживаемость, время до следующей терапии, выживаемость без прогрессии, трансплантация стволовых клеток, оценка по ECOG, цитогенетический риск
Materials and methods. The present study was retrospective, non-interventional, multicenter. A structured database of MM patients provided by the Oncology Information service (O.I.s.) was used for the study. Registration took place in medical institutions in eight countries: Austria, Belgium, Switzerland, Germany, Spain, France, Greece and Great Britain.
Results. In total, 57% of men and 43% of women were analyzed in the base of 6074 patients with MM. The median age was 71 years. The median follow-up time along the lines was 387 days. High-risk cytogenetics are represented in 15% of cases. The efficacy endpoint was the best response to each line of therapy, as measured by time to death (TTD) as an indirect indicator of overall survival and time to next treatment (TTNT) as an indirect indicator of progression-free survival. The median TTD and TTNT were 730 and 399 days respectively. After a multi-step selection process, characteristics with the greatest importance for the therapy prognosis were selected: age at the beginning of therapy, line of therapy, time after MM verification, ECOG (Eastern Cooperative Oncology Group), cytogenetic risk, transplant eligibible or not, TTNT after the previous line of therapy, therapy regimen.
Discussion. To continue the study it is necessary to analyze literature data and compare with real practice. Also analysis and comparison with Russian data on the treatment of patients with MM is required.
Conclusion. The analysis of the presented data provides a basis for modeling a tool for assessing the effectiveness of MM therapy (prognosis of TTD and TTNT) for each patient, based on a number of prognostic factors and the results of routine clinical practice in various medical centers in European countries.
Keywords: multiple myeloma, time to death, overall survival, time to next therapy, progression-free survival, stem cell transplantation, ECOG score, cytogenetic risk
Материалы и методы. Исследование ретроспективное неинтервенционное многоцентровое. Для его проведения использована структурированная база данных пациентов с ММ, предоставленная компанией Oncology Information service (O.I.s.). Регистрация происходила в медицинских учреждениях восьми стран: Австрии, Бельгии, Швейцарии, Германии, Испании, Франции, Греции и Великобритании.
Результаты. Всего в выборке из 6074 пациентов с ММ проанализированы 57% мужчин и 43% женщин. Медиана возраста составила 71 год. Медиана длительности наблюдения по линиям – 387 дней. Цитогенетика высокого риска представлена в 15% случаев. Конечной точкой эффективности служил лучший ответ на каждую линию терапии, что определялось оценкой показателей времени до смерти (ВДС) в качестве косвенного показателя общей выживаемости и времени до следующей терапии (ВДСТ) в качестве косвенного показателя выживаемости без прогрессии. Медиана ВДС и ВДСТ для всей базы данных составила 730 и 399 дней соответственно. После многоступенчатого процесса отбора выбраны характеристики c наибольшей важностью для прогноза терапии: возраст в начале терапии, линия терапии, время после постановки диагноза, оценка по шкале ECOG (шкала оценки состояния больного по критериям Eastern Cooperative Oncology Group), цитогенетический риск, пригодность для ТСК, ВДСТ после предыдущей линии терапии, режим терапии.
Обсуждение. Для продолжения исследования необходимы анализ литературных данных и сопоставление с реальной практикой, а также анализ и сравнение с российскими данными лечения пациентов с ММ.
Заключение. Анализ представленных данных дает основание для моделирования инструмента по оценке эффективности терапии ММ (прогноз ВДС/ВДСТ) для конкретного пациента исходя из ряда прогностических факторов и результатов рутинной клинической практики различных медицинских центров в европейских странах.
Ключевые слова: множественная миелома, время до смерти, общая выживаемость, время до следующей терапии, выживаемость без прогрессии, трансплантация стволовых клеток, оценка по ECOG, цитогенетический риск
________________________________________________
Materials and methods. The present study was retrospective, non-interventional, multicenter. A structured database of MM patients provided by the Oncology Information service (O.I.s.) was used for the study. Registration took place in medical institutions in eight countries: Austria, Belgium, Switzerland, Germany, Spain, France, Greece and Great Britain.
Results. In total, 57% of men and 43% of women were analyzed in the base of 6074 patients with MM. The median age was 71 years. The median follow-up time along the lines was 387 days. High-risk cytogenetics are represented in 15% of cases. The efficacy endpoint was the best response to each line of therapy, as measured by time to death (TTD) as an indirect indicator of overall survival and time to next treatment (TTNT) as an indirect indicator of progression-free survival. The median TTD and TTNT were 730 and 399 days respectively. After a multi-step selection process, characteristics with the greatest importance for the therapy prognosis were selected: age at the beginning of therapy, line of therapy, time after MM verification, ECOG (Eastern Cooperative Oncology Group), cytogenetic risk, transplant eligibible or not, TTNT after the previous line of therapy, therapy regimen.
Discussion. To continue the study it is necessary to analyze literature data and compare with real practice. Also analysis and comparison with Russian data on the treatment of patients with MM is required.
Conclusion. The analysis of the presented data provides a basis for modeling a tool for assessing the effectiveness of MM therapy (prognosis of TTD and TTNT) for each patient, based on a number of prognostic factors and the results of routine clinical practice in various medical centers in European countries.
Keywords: multiple myeloma, time to death, overall survival, time to next therapy, progression-free survival, stem cell transplantation, ECOG score, cytogenetic risk
Список литературы
1. Злокачественные новообразования в России в 2017 году (заболеваемость и смертность). Под ред. А.Д. Каприна, В.В. Старинского, Г.В. Петровой. Moscow, МНИОИ им. П.А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2018 [Malignant neoplasms in Russia in 2017 (morbidity and mortality). Ed. AD Kaprin, VV Starinsky, GV Petrova. M.: P.A. Herzen MNIOI – branch of the Federal State Budgetary Institution “National Medical Research Center of Radiology” of the Ministry of Health of Russia, 2018 (In Russ.)].
2. Виноградова О.Ю., Птушкин В.В., Черников М.В., и др. Эпидемиология множественной миеломы в городе Москва. Терапевтический архив. 2019;91(7):83-92 [Vinogradova OY, Ptushkin VV, Chernikov MV, et al. Epidemiology of multiple myeloma in city Moscow. Terapevticheskii Arkhiv (Ter. Arkh). 2019;91(7):83-92 (In Russ.)]. doi: 10.26442/00403660.2019.07.000305
3. Larocca A, Palumbo A. Optimizing treatment for elderly patients with newly diagnosed multiple myeloma: a personalized approach. J Clin Oncol. 2016;34:3600-4. doi: 10.1200/JCO.2016.68.6113
4. Palumbo A, Mina R. Management of older adults with multiple. Blood Rev. 2013; 27:133-42. doi: 10.1016/j.blre.2013.04.001
5. Singh H, Beaver JA, Kim G, Pazdur R. Enrollment of older adults on oncology trials: an FDA perspective. J Geriatr Oncol. 2017;8:149-50.
6. Hari P, Romanus D, Luptakova K, et al. The impact of age and comorbidities on practice patterns and outcomes in patients with relapsed/refractory multiple myeloma in the era of novel therapies. J Geriatr Oncol. 2018;2:138-44. doi: 10.1016/j.jgo.2017.09.007
7. Chari A, Mezzi K, Zhu S, et al. Incidence and risk of hypertension in patients newly treated for multiple myeloma: a retrospective cohort study. BMC Cancer. 2016;16:912. doi: 10.1186/s12885-016-2955-0
8. Kistler KD, Kalman J, Sahni G, et al. Incidence and risk of cardiac events in patients with previously treated multiple myeloma versus matched patients without multiple myeloma: an observational, retrospective, cohort study. Clin Lymphoma Myeloma Leuk. 2017;17:89-96. doi: 10.1016/j.clml.2016.11.009
9. Talarico L, Chen G, Pazdar R. Enrollment of elderly patients in clinical trials for cancer drug registration: a 7-year experience by the US Food and Drug Administration. J Clin Oncol. 2004;22:4626-31. doi: 10.1200/JCO.2004.02.175
10. Usmani S, Ahmadi T, Ng Y, et al. Analysis of real-world data on overall survival in MM patients with 3 prior lines of therapy including a PI and an IMID, or double refractory to a PI and an IMID. Oncologist. 2016;21:1-7.
11. Chen Y, Jia Z, Mercola D, Xie X. A Gradient Boosting Algorithm for Survival Analysis via Direct Optimization of Concordance Index. Comput Math Methods Med. 2013;2013:873595. doi: 10.1155/2013/873595
12. Kvamme H, Borgan Ø, Scheel I. Time-to-event prediction with neural networks and Cox regression. JMLR. 2019;20(129):1-30.
13. Katzman J, Shaham U, Cloninger A, et al. Deepsurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. BMC Med Res Methodol. 2018;18(1):18-24. doi: 10.1186/s12874-018-0482-1
2. Vinogradova OY, Ptushkin VV, Chernikov MV, et al. Epidemiology of multiple myeloma in city Moscow. Terapevticheskii Arkhiv (Ter. Arkh). 2019;91(7):83-92 (In Russ.) doi: 10.26442/00403660.2019.07.000305
3. Larocca A, Palumbo A. Optimizing treatment for elderly patients with newly diagnosed multiple myeloma: a personalized approach. J Clin Oncol. 2016;34:3600-4. doi: 10.1200/JCO.2016.68.6113
4. Palumbo A, Mina R. Management of older adults with multiple. Blood Rev. 2013; 27:133-42. doi: 10.1016/j.blre.2013.04.001
5. Singh H, Beaver JA, Kim G, Pazdur R. Enrollment of older adults on oncology trials: an FDA perspective. J Geriatr Oncol. 2017;8:149-50.
6. Hari P, Romanus D, Luptakova K, et al. The impact of age and comorbidities on practice patterns and outcomes in patients with relapsed/refractory multiple myeloma in the era of novel therapies. J Geriatr Oncol. 2018;2:138-44. doi: 10.1016/j.jgo.2017.09.007
7. Chari A, Mezzi K, Zhu S, et al. Incidence and risk of hypertension in patients newly treated for multiple myeloma: a retrospective cohort study. BMC Cancer. 2016;16:912. doi: 10.1186/s12885-016-2955-0
8. Kistler KD, Kalman J, Sahni G, et al. Incidence and risk of cardiac events in patients with previously treated multiple myeloma versus matched patients without multiple myeloma: an observational, retrospective, cohort study. Clin Lymphoma Myeloma Leuk. 2017;17:89-96. doi: 10.1016/j.clml.2016.11.009
9. Talarico L, Chen G, Pazdar R. Enrollment of elderly patients in clinical trials for cancer drug registration: a 7-year experience by the US Food and Drug Administration. J Clin Oncol. 2004;22:4626-31. doi: 10.1200/JCO.2004.02.175
10. Usmani S, Ahmadi T, Ng Y, et al. Analysis of real-world data on overall survival in MM patients with 3 prior lines of therapy including a PI and an IMID, or double refractory to a PI and an IMID. Oncologist. 2016;21:1-7.
11. Chen Y, Jia Z, Mercola D, Xie X. A Gradient Boosting Algorithm for Survival Analysis via Direct Optimization of Concordance Index. Comput Math Methods Med. 2013;2013:873595. doi: 10.1155/2013/873595
12. Kvamme H, Borgan Ø, Scheel I. Time-to-event prediction with neural networks and Cox regression. JMLR. 2019;20(129):1-30.
13. Katzman J, Shaham U, Cloninger A, et al. Deepsurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. BMC Med Res Methodol. 2018;18(1):18-24. doi: 10.1186/s12874-018-0482-1
2. Виноградова О.Ю., Птушкин В.В., Черников М.В., и др. Эпидемиология множественной миеломы в городе Москва. Терапевтический архив. 2019;91(7):83-92 [Vinogradova OY, Ptushkin VV, Chernikov MV, et al. Epidemiology of multiple myeloma in city Moscow. Terapevticheskii Arkhiv (Ter. Arkh). 2019;91(7):83-92 (In Russ.)]. doi: 10.26442/00403660.2019.07.000305
3. Larocca A, Palumbo A. Optimizing treatment for elderly patients with newly diagnosed multiple myeloma: a personalized approach. J Clin Oncol. 2016;34:3600-4. doi: 10.1200/JCO.2016.68.6113
4. Palumbo A, Mina R. Management of older adults with multiple. Blood Rev. 2013; 27:133-42. doi: 10.1016/j.blre.2013.04.001
5. Singh H, Beaver JA, Kim G, Pazdur R. Enrollment of older adults on oncology trials: an FDA perspective. J Geriatr Oncol. 2017;8:149-50.
6. Hari P, Romanus D, Luptakova K, et al. The impact of age and comorbidities on practice patterns and outcomes in patients with relapsed/refractory multiple myeloma in the era of novel therapies. J Geriatr Oncol. 2018;2:138-44. doi: 10.1016/j.jgo.2017.09.007
7. Chari A, Mezzi K, Zhu S, et al. Incidence and risk of hypertension in patients newly treated for multiple myeloma: a retrospective cohort study. BMC Cancer. 2016;16:912. doi: 10.1186/s12885-016-2955-0
8. Kistler KD, Kalman J, Sahni G, et al. Incidence and risk of cardiac events in patients with previously treated multiple myeloma versus matched patients without multiple myeloma: an observational, retrospective, cohort study. Clin Lymphoma Myeloma Leuk. 2017;17:89-96. doi: 10.1016/j.clml.2016.11.009
9. Talarico L, Chen G, Pazdar R. Enrollment of elderly patients in clinical trials for cancer drug registration: a 7-year experience by the US Food and Drug Administration. J Clin Oncol. 2004;22:4626-31. doi: 10.1200/JCO.2004.02.175
10. Usmani S, Ahmadi T, Ng Y, et al. Analysis of real-world data on overall survival in MM patients with 3 prior lines of therapy including a PI and an IMID, or double refractory to a PI and an IMID. Oncologist. 2016;21:1-7.
11. Chen Y, Jia Z, Mercola D, Xie X. A Gradient Boosting Algorithm for Survival Analysis via Direct Optimization of Concordance Index. Comput Math Methods Med. 2013;2013:873595. doi: 10.1155/2013/873595
12. Kvamme H, Borgan Ø, Scheel I. Time-to-event prediction with neural networks and Cox regression. JMLR. 2019;20(129):1-30.
13. Katzman J, Shaham U, Cloninger A, et al. Deepsurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. BMC Med Res Methodol. 2018;18(1):18-24. doi: 10.1186/s12874-018-0482-1
________________________________________________
2. Vinogradova OY, Ptushkin VV, Chernikov MV, et al. Epidemiology of multiple myeloma in city Moscow. Terapevticheskii Arkhiv (Ter. Arkh). 2019;91(7):83-92 (In Russ.) doi: 10.26442/00403660.2019.07.000305
3. Larocca A, Palumbo A. Optimizing treatment for elderly patients with newly diagnosed multiple myeloma: a personalized approach. J Clin Oncol. 2016;34:3600-4. doi: 10.1200/JCO.2016.68.6113
4. Palumbo A, Mina R. Management of older adults with multiple. Blood Rev. 2013; 27:133-42. doi: 10.1016/j.blre.2013.04.001
5. Singh H, Beaver JA, Kim G, Pazdur R. Enrollment of older adults on oncology trials: an FDA perspective. J Geriatr Oncol. 2017;8:149-50.
6. Hari P, Romanus D, Luptakova K, et al. The impact of age and comorbidities on practice patterns and outcomes in patients with relapsed/refractory multiple myeloma in the era of novel therapies. J Geriatr Oncol. 2018;2:138-44. doi: 10.1016/j.jgo.2017.09.007
7. Chari A, Mezzi K, Zhu S, et al. Incidence and risk of hypertension in patients newly treated for multiple myeloma: a retrospective cohort study. BMC Cancer. 2016;16:912. doi: 10.1186/s12885-016-2955-0
8. Kistler KD, Kalman J, Sahni G, et al. Incidence and risk of cardiac events in patients with previously treated multiple myeloma versus matched patients without multiple myeloma: an observational, retrospective, cohort study. Clin Lymphoma Myeloma Leuk. 2017;17:89-96. doi: 10.1016/j.clml.2016.11.009
9. Talarico L, Chen G, Pazdar R. Enrollment of elderly patients in clinical trials for cancer drug registration: a 7-year experience by the US Food and Drug Administration. J Clin Oncol. 2004;22:4626-31. doi: 10.1200/JCO.2004.02.175
10. Usmani S, Ahmadi T, Ng Y, et al. Analysis of real-world data on overall survival in MM patients with 3 prior lines of therapy including a PI and an IMID, or double refractory to a PI and an IMID. Oncologist. 2016;21:1-7.
11. Chen Y, Jia Z, Mercola D, Xie X. A Gradient Boosting Algorithm for Survival Analysis via Direct Optimization of Concordance Index. Comput Math Methods Med. 2013;2013:873595. doi: 10.1155/2013/873595
12. Kvamme H, Borgan Ø, Scheel I. Time-to-event prediction with neural networks and Cox regression. JMLR. 2019;20(129):1-30.
13. Katzman J, Shaham U, Cloninger A, et al. Deepsurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. BMC Med Res Methodol. 2018;18(1):18-24. doi: 10.1186/s12874-018-0482-1
Авторы
В.В. Птушкин*1–3, Марио Мюллер4,5
1 ФГАОУ ВО «Российский национальный исследовательский медицинский университет им. Н.И. Пирогова» Минздрава России, Москва, Россия;
2 ФГБУ «Национальный медицинский исследовательский центр детской гематологии, онкологии и иммунологии им. Дмитрия Рогачева» Минздрава России, Москва, Россия;
3 ГБУЗ «Городская клиническая больница им. С.П. Боткина» Департамента здравоохранения г. Москвы, Москва, Россия;
4 Университет Мангейма, Мангейм, Германия;
5 Аналитическая компания IQVIA, Франкфурт-на-Майне, Германия
*vadimvadim@inbox.ru
1 Pirogov Russian National Research Medical University, Moscow, Russia;
2 Rogachev National Medical Research Center of Pediatric Hematology, Oncology and Immunology, Moscow, Russia;
3 Botkin City Clinical Hospital, Moscow, Russia;
4 University of Mannheim, Mannheim, Germany;
5 Analytical company IQVIA, Frankfurt am Main, Germany
*vadimvadim@inbox.ru
1 ФГАОУ ВО «Российский национальный исследовательский медицинский университет им. Н.И. Пирогова» Минздрава России, Москва, Россия;
2 ФГБУ «Национальный медицинский исследовательский центр детской гематологии, онкологии и иммунологии им. Дмитрия Рогачева» Минздрава России, Москва, Россия;
3 ГБУЗ «Городская клиническая больница им. С.П. Боткина» Департамента здравоохранения г. Москвы, Москва, Россия;
4 Университет Мангейма, Мангейм, Германия;
5 Аналитическая компания IQVIA, Франкфурт-на-Майне, Германия
*vadimvadim@inbox.ru
________________________________________________
1 Pirogov Russian National Research Medical University, Moscow, Russia;
2 Rogachev National Medical Research Center of Pediatric Hematology, Oncology and Immunology, Moscow, Russia;
3 Botkin City Clinical Hospital, Moscow, Russia;
4 University of Mannheim, Mannheim, Germany;
5 Analytical company IQVIA, Frankfurt am Main, Germany
*vadimvadim@inbox.ru
Цель портала OmniDoctor – предоставление профессиональной информации врачам, провизорам и фармацевтам.