Overlevingswinst van adjuvante hormoontherapie (PREDICT versie 2.0)
Prognostisch instrument bedoeld om patiënten te informeren en om behandelbesluiten over adjuvante, systemische therapie te ondersteunen.
Research authors: Wishart GC, Azzato EM, Greenberg DC, Rashbass J, Kearins O, Lawrence G, Caldas C, Pharoah PD
  • Public
  • Oncology
  • {{ modelType }}
  • Details
  • Validate model
  • Save input
  • Load input

Overlevingswinst van adjuvante hormoontherapie: %

{{ resultSubheader }}
{{ chart.title }}
Result interval {{ additionalResult.min }} to {{ additionalResult.max }}

Conditional information

Hoe dit model kan worden toegepast: 
Online prognostische instrumenten zoals PREDICT worden door oncologen steeds vaker gebruikt in de klinische praktijk om patiënten te informeren en om behandelbesluiten over adjuvante, systemische therapie te ondersteunen. Validatiestudies hebben aangetoond dat PREDICT over het algemeen redelijke tot goede ramingen geeft voor de algehele 5- en 10-jaarssterfte bij patiënten met borstkanker.1-3

Beperkingen:
Prognostische instrumenten als PREDICT dienen voorzichtig gehanteerd te worden wegens intrinsieke variaties van verkregen uitkomsten en omdat de drempel om adjuvante, systemische behandeling te bespreken laag is. Bij een aantal subgroepen vertoont PREDICT onder- en overschattingen, zo blijkt uit een in 2017 gepubliceerd onderzoek van Ellen G. Engelhardt (LUMC) en een groep collega’s uit binnen- en buitenland.4 

Wetenschappelijke onderbouwing
Internationaal zijn verscheidene validatiesstudies verricht naar de prestaties van PREDICT (zie tabblad 'validaties' op www.evidencio.com). In juni 2017 werd door Ellen G. Engelhardt en collega’s een studie gepubliceerd naar de prognostische nauwkeurigheid van PREDICT.4 De onderzoekers verzamelden een opeenvolgende reeks van 2.710 patiënten met borstkanker in de leeftijd van 50 jaar of jonger gediagnosticeerd tussen 1990 en 2000. Met C-statistieken werd de nauwkeurigheid van de kalibratie en discriminatoire nauwkeurigheid geschat voor de algehele 10-jaarssterfte en borstkankerspecifieke sterfte. 

Over het algemeen bleek de kalibratie van PREDICT goed (voorspelde versus waargenomen algehele sterfte). PREDICT heeft echter wel de neiging om de algehele sterfte (ongeacht de doodsoorzaak) te onderschatten in subgroepen met een goede prognose (mate van onderschatting: -2,9% tot -4,8%) en te overschatten in subgroepen met een slechte prognose (mate van overschatting: 2,6% tot 9,4%). Bij patiënten tot 35 jaar onderschat PREDICT de algehele sterfte met 6,6%. De borstkankerspecifieke sterfte wordt door PREDICT overschat met 3,2%. Ook zagen de onderzoekers een schijnbare overschatting van de borstkankerspecifieke sterfte in diverse subgroepen (range 3,2% tot 14,1%). 

Referenties:

  1. Wishart GC, Azzato EM, Greenberg DC, et al. PREDICT: a new UK prognostic model that predicts survival following surgery for invasive breast cancer. Breast Cancer Res. 2010;12(1):R1.
  2. Wishart GC, Bajdik CD, Dicks E, et al. PREDICT Plus: development and validation of a prognostic model for early breast cancer that includes HER2. Br. J. Cancer 2012;107(5):800-7.
  3. Wishart GC, Rakha E, Green A, et al. Inclusion of KI67 significantly improves performance of the PREDICT prognostication and prediction model for early breast cancer. BMC Cancer. 2014;14:908.
  4. Engelhardt EG, van den Broek AJ, Linn SC, et al. Accuracy of the online prognostication tools PREDICT and Adjuvant! for early-stage breast cancer patients younger than 50 years. Eur J Cancer. 2017;78:37-44.

Note
Notes are only visible in the result download and will not be saved by Evidencio
{{ file.classification }}

Calculations alone should never dictate patient care, and are no substitute for professional judgement. See our full disclaimer.

Underlying models Part of
Comments
Comment
Please enter a comment
Comments are visible to anyone

Model feedback

No feedback yet 1 Comment {{ model.comments.length }} Comments
On {{ comment.created_at }} {{ comment.user.username }} a no longer registered author wrote:
logo

Please sign in to enable Evidencio print features

In order to use the Evidencio print features, you need to be logged in.
If you don't have an Evidencio Community Account you can create your free personal account at:

https://www.evidencio.com/registration

Printed results - Examples {{ new Date().toLocaleString() }}


Evidencio Community Account Benefits


With an Evidencio Community account you can:

  • Create and publish your own prediction models.
  • Share your prediction models with your colleagues, research group, organization or the world.
  • Review and provide feedback on models that have been shared with you.
  • Validate your models and validate models from other users.
  • Find models based on Title, Keyword, Author, Institute, or MeSH classification.
  • Use and save prediction models and their data.
  • Use patient specific protocols and guidelines based on sequential models and decision trees.
  • Stay up-to-date with new models in your field as they are published.
  • Create your own lists of favorite models and topics.

A personal Evidencio account is free, with no strings attached!
Join us and help create clarity, transparency, and efficiency in the creation, validation, and use of medical prediction models.


Disclaimer: Calculations alone should never dictate patient care, and are no substitute for professional judgement.
Evidencio v3.1 © 2015 - 2021 Evidencio. All Rights Reserved