Anal kanseri için federated learning tabanlı prognostik modeller geliştirmek ve doğrulamak üzere uluslararası çok merkezli çalışma

Nadir kanseri olan kişiler için neden önemli

Kanser bakımının her kişiye daha çok uyarlanmasıyla birlikte doktorların karşılaştığı bir sorun ortaya çıkıyor: artık birçok kanser alt türlere öylesine ayrılıyor ki her grup küçük ve dünya çapında dağınık oluyor. Bu da hangi tedavilerin en iyi olduğunu öğrenmeyi zorlaştırıyor; özellikle anal kanseri gibi nadir kanserlerde. Bu çalışma, ham hasta verilerini paylaşmadan farklı ülkelerdeki hastanelerin nasıl güvenli bir şekilde iş birliği yapabileceğini, hastaların gidişatını daha iyi tahmin etmek ve daha kişiselleştirilmiş tedavi yönlendirmek için nasıl birleşebileceklerini gösteriyor.

Veri paylaşmadan çok sayıda hastaneyi bir araya getirmek

Araştırmacılar, Avrupa ve Avustralya’daki 16 kanser merkezini birbirine bağlayan uluslararası atomCAT konsorsiyumunu kurdular. Hasta kayıtlarını tek bir merkezi veritabanına göndermek yerine her hastane bilgilerini kendi yerinde tuttu. "Federated learning" olarak adlandırılan özel bir yaklaşım, bilgisayar modellerinin tüm siteler arasında aynı anda eğitilmesine izin verdi: yalnızca anonimleştirilmiş matematiksel özetler değiş tokuş edildi, bireysel kayıtlar asla paylaşılmadı. Bu, hasta gizliliğini korurken anal kanseri tedavisi gören geniş birleşik hasta grubunun gücünden yararlanmayı sağladı.

Kimler çalışmaya alındı ve hangi sonuçlar izlendi

Ekip, modern radyoterapi ve genellikle kemoterapiyle tedavi edilen 14 merkezden 1.428 anal kanserli kişinin bilgilerini analiz etti ve bulgularını iki başka merkezden 277 ek hastada test etti. Hastaların çoğu altmışlarının başındaydı ve yaklaşık onda yedisi kadındı. Neredeyse tamamı ileri radyoterapi formları aldı ve büyük çoğunluk da mitomisin veya sisplatin gibi ilaçlara dayanan kemoterapi aldı. Çalışma, hastalar ve klinisyenler için önemli olan üç temel sonuca odaklandı: genel sağkalım (tedaviden sonra hayatta kalanların sayısı), pelvik çevresindeki tümör kontrolü ve kanserin uzak organlara yayılmasının önlenmesi.

Hastaların şansını hangi faktörler şekillendirdi

Federated modelleri kullanarak araştırmacılar, sonuçları tutarlı şekilde etkileyen bir dizi özellik belirledi. Tümörü daha küçük, daha az ileri düzeyde ve yakın lenf düğümlerine yayılmamış kişilerin genellikle daha uzun yaşadığı ve hastalık kontrolünün daha iyi olduğu görüldü. Kadınlar genel olarak erkeklerden daha iyi sağkalım ve pelvik kontrol gösterdi ve genç hastalar yaşlılara göre daha iyi sonuç aldı. İki ilaçlı kemoterapi (mitomisin veya sisplatin ile fluorourasil veya kapesitabin kombinasyonu) tek başına radyoterapiye kıyasla daha iyi genel sağkalım ile ilişkilendirildi. Primer tümörün boyutu tüm üç sonuç için özellikle önemli bir belirleyici olarak öne çıktı; bu da günlük bakımda iyi görüntüleme ve ayrıntılı tümör ölçümlerinin değerini vurguluyor.

Gizliliği koruyan modeller ne kadar iyi çalıştı?

Prognostik modeller, daha yüksek ve daha düşük riskli hastaları ayırt etme konusunda orta düzeyde ancak klinik olarak kullanışlı bir yetenek gösterdi. Hastalar öngörülen riske göre gruplandırıldığında gerçek dünya sonuçlarındaki farklar çarpıcıydı: örneğin, tedaviden üç yıl sonra genel sağkalım düşük risk grubunda ortalama yaklaşık %90 iken yüksek risk grubunda yaklaşık %73’tü. Modeller, sırayla her merkez dışarıda bırakıldığında ve iki dış hastanede test edildiğinde benzer performans gösterdi; bu da yaklaşımın tek bir siteye fazla uyum sağlamadığını düşündürüyor. Ekip yalnızca tek bir merkezin verilerini kullanarak modeller oluşturduğunda tahmin doğruluğu düştü; bu da veriler havuzlanamasa bile çok sayıda hastanenin deneyiminden yararlanmanın değerini vurguluyor.

Gelecekteki kanser bakımı için ne anlama geliyor

Anal kanseri ve diğer nadir veya aşırı alt bölümlenmiş kanserleri olan kişiler için bu çalışma, gizliliği tehlikeye atmadan büyük, uluslararası hasta gruplarından öğrenmenin mümkün olduğunu gösteriyor. Çalışma, federated learning’in bilinen risk faktörlerini güvenilir şekilde yeniden üretebileceğini ve doğrulayabileceğini, hangi hastaların nüks veya uzak yayılma açısından daha yüksek risk taşıdığını belirleyebileceğini ve bunu günlük bakım sırasında toplanan verilerle yapabileceğini gösteriyor. Uzun vadede bu tür modeller doktorların bireysel hastalarla prognoz hakkında daha doğru konuşmasına, tedavi yoğunluğunu aşağı veya yukarı ayarlamasına ve en çok ihtiyaç duyanlara odaklanan daha akıllı klinik denemeler tasarlamasına yardımcı olabilir — tüm bunlar hassas sağlık verilerini her hastanenin sınırları içinde tutarken.

Atıf: Theophanous, S., Lønne, PI., Choudhury, A. et al. An international multi-centre study to develop and validate federated learning-based prognostic models for anal cancer. Nat Commun 17, 3956 (2026). https://doi.org/10.1038/s41467-026-70297-3

Anahtar kelimeler: anal kanseri, federated learning, prognostik modeller, gerçek dünya verisi, kesin onkoloji