Актуальность. Конечные эффекты скрининга рака крайне трудно изучить путем проведения рандомизированных контролируемых клинических исследований в реальной практике. Растет роль предиктивного моделирования в онкологии. Моделирование последствий интервенционных вмешательств в онкологии основано, в том числе на применении наборов инструментов, обозначаемых термином «математическая онкология».
Цель. Исследование подходов к моделированию сценариев скрининга рака молочной железы (РМЖ), направленных на разработку инструментов поддержки принятия врачебных решений в системе здравоохранения, включая выработку клинических рекомендаций по проведению онкоскрининга.
Материал и методы. Для поиска релевантных сведений применялись база данных PubMed (Medline) и система GOOGLE. В поисковой строке вводились запросы по теме моделирования программ скрининга РМЖ. Использовались такие термины, как: «breast cancer», «screening», «modeling», «oncology informatics», «cancer care», «big data» и прочие.
Результаты. Рассмотрены примеры моделей скрининга РМЖ. Результаты моделирования могут включать полный спектр клинически и экономически значимых параметров, характеризующих анализируемые сценарии скрининга. Изучены базовые концепции построения валидных моделей, включающие анализ и имитацию индивидуальных историй течения опухолевого процесса (естественных и в условиях интервенционного вмешательства).
Выводы. Имитационное моделирование позволяет установить связь между новыми достижениями в исследованиях злокачественных новообразований и наиболее эффективными стратегиями их внедрения в клиническую практику с целью получения максимальной пользы для пациента и снижения экономической нагрузки на популяционном уровне.
2. National Cancer Institute. Cancer Intervention and Surveillance Modeling Network (CISNET) Incubator Program for New Cancer Sites (U01 Clinical Trial Not Allowed) Webinar. [Electronic resource]. URL: www.youtube.com/watch?v=TRE4bGwNbEI (accessed: 06.04.2022).
3. Digital science press LLC, Etzioni R. Prostate Cancer Modeling: The CISNET Prostate Group [Electronic resource]. URL: https://www.urotoday.com/video-lectures/localized-prostate-cancer/video/1974-prostate-cancer-modeling-the-cisnet-prostate-group-ruth-etzioni.html (accessed: 06.04.2022).
4. American Society of Clinical Oncology. Mathematical Oncology [Electronic resource]. URL: https://ascopubs.org/cci/collections/mathematical-oncology (accessed: 06.04.2022).
5. Lee S.J., Li X., Huang H., Zelen M. The Dana-Farber CISNET Model for Breast Cancer Screening Strategies: An Update. Med. Decis. Mak. 2018; 38(1): 44S-53S.
6. van den Broek J.J., van Ravesteyn N.T., Heijnsdijk E.A., de Koning H.J. Simulating the Impact of Risk-Based Screening and Treatment on Breast Cancer Outcomes with MISCAN-Fadia. Med. Decis. Making. 2018; 38(1): 54S-65S.
7. Huang X., Li Y., Song J., Berry D.A. A Bayesian Simulation Model for Breast Cancer Screening, Incidence, Treatment, and Mortality. Med. Decis. Mak. an Int. J. Soc. Med. Decis. Mak. 2018; 38(1): 78S-88S.
8. Munoz D.F., Xu C., Plevritis S.K. A Molecular Subtype-Specific Stochastic Simulation Model of US Breast Cancer Incidence, Survival, and Mortality Trends from 1975 to 2010. Med. Decis. Mak. an Int. J. Soc. Med. Decis. Mak. 2018; 38(1): 89S-98S.
9. Alagoz O., Ergun M.A., Cevik M., Sprague B.L., Fryback D.G., Gangnon R.E., et al. The University of Wisconsin Breast Cancer Epidemiology Simulation Model: An Update. Med. Decis. Making. 2018; 38(1): 99S-111S.
10. Trentham-Dietz A., Alagoz O., Chapman C., Huang X., Jayasekera J., van Ravesteyn N.T., et al. Reflecting on 20 years of breast cancer modeling in CISNET: Recommendations for future cancer systems modeling efforts. PLOS Comput. Biol. 2021; 17(6): e1009020.
11. Андреев Д.А., Хачанова Н.В., Степанова В.Н., Башлакова Е.В., Евдошенко Е.П., Давыдовская М.В. Стандартизация моделирования прогрессирования хронических заболеваний // Проблемы стандартизации в здравоохранении. — 2017. — №9–10. — С.12-24.
12. National Cancer Institute, Cancer Intervention and Surveillance Modeling Network. CISNET Modeling Approach [Electronic resource]. URL: https://cisnet.cancer.gov/modeling/index.html (accessed: 06.04.2022).
13. Trentham-Dietz A., Kerlikowske K., Stout N.K., Miglioretti D.L., Schechter C.B., Ergun M.A., et al. Tailoring Breast Cancer Screening Intervals by Breast Density and Risk for Women Aged 50 Years or Older: Collaborative Modeling of Screening Outcomes. Ann. Intern. Med. 2016; 165(10): 700–712.
14. Mandelblatt J.S., Near A.M., Miglioretti D.L., Munoz D., Sprague B.L., Trentham-Dietz A., et al. Common Model Inputs Used in CISNET Collaborative Breast Cancer Modeling. Med. Decis. Mak. an Int. J. Soc. Med. Decis. Mak. 2018; 38(1): 9S-23S.
15. Plevritis S.K., Munoz D., Kurian A.W., Stout N.K., Alagoz O., Near A.M., et al. Association of Screening and Treatment With Breast Cancer Mortality by Molecular Subtype in US Women, 2000-2012. JAMA. 2018; 319(2): 154–164.
16. van den Broek J.J., Schechter C.B., van Ravesteyn N.T., Janssens A.C.J.W., Wolfson M.C., Trentham-Dietz A., et al. Personalizing Breast Cancer Screening Based on Polygenic Risk and Family History. J. Natl. Cancer Inst. 2021; 113(4): 434–442.
17. Henderson T.O., Amsterdam A., Bhatia S., Hudson M.M., Meadows A.T., Neglia J.P., et al. Systematic review: surveillance for breast cancer in women treated with chest radiation for childhood, adolescent, or young adult cancer. Ann. Intern. Med. 2010; 152(7): 444–454.
18. Yeh J.M., Lowry K.P., Schechter C.B., Diller L.R., Alagoz O., Armstrong G.T., et al. Clinical Benefits, Harms, and Cost-Effectiveness of Breast Cancer Screening for Survivors of Childhood Cancer Treated With Chest Radiation : A Comparative Modeling Study. Ann. Intern. Med. 2020; 173(5): 331–341.