Development and validation of deep learning-based risk prediction model for major adverse cardiovascular events in female long-term breast cancer survivors

Abstract

Background: Clinical practice guidelines recommend reassessing the risk of cardiovascular toxicity five years after cancer treatment in asymptomatic adult cancer survivors, including new or pre-existing cardiovascular risk factors and cancer therapy-related cardiovascular toxicity. However, studies providing individualized risk prediction for these populations remain limited. This study aimed to develop and validate deep learning-based prediction models for the risk of major adverse cardiovascular events (MACEs) in long-term breast cancer survivors. Methods: We used data from the Korean National Health Insurance Service databases from 2005 to 2021, identifying 5,131 5-year female breast cancer survivors diagnosed in 2006. The study population was split into derivation and validation cohorts in a 4:1 ratio. The primary outcome was the occurrence of MACEs within a 10-year follow-up period. A deep learning survival model (DeepSurv) was developed and compared to a traditional Cox proportional hazards regression (CPH) model. Model performance was evaluated based on discrimination and calibration. Shapley additive explanations were used to rank predictors by importance. Results: The cumulative incidence of MACE at the 10-year follow-up was 14.4% in the derivation cohort and 12.1% in the validation cohort. Both models included 23 conventional and breast cancer treatment-related cardiovascular risk factors. In the validation cohort, the DeepSurv model achieved a time-dependent concordance index (Ctd) of 0.739 (95% CI, 0.701–0.774) and an integrated Brier score (IBS) of 0.049, comparable to the CPH model (Ctd: 0.737, 95% CI, 0.671–0.804; IBS: 0.045, 95% CI, 0.037–0.053). Key predictors identified using Shapley additive explanations included age, dyslipidemia, prior stroke, anthracycline chemotherapy, hypertension, diabetes mellitus, hemoglobin levels, prior aromatase inhibitor use, and prior radiotherapy. Conclusions: We developed and validated a deep learning survival model to predict the 10-year risk of MACEs in individual 5-year breast cancer survivors. By incorporating both conventional and breast cancer treatment-related cardiovascular risk factors, the model demonstrated good calibration and discrimination.

배경: 임상 진료 지침에 따르면, 암 치료 후 5년 시점에서 무증상 성인 암 생존자에 대하여 새로운 또는 기존의 심혈관 위험 요인과 암 치료 관련 심혈관 독성을 평가하는 것을 포함한 심혈관 독성 위험에 대한 재평가가 권장됩니다. 그러나 이를 위해 개별화된 위험도 예측을 제공하는 연구는 제한적입니다. 본 연구는 여성 유방암 장기 생존자에서 개별화된 주요심혈관사건 위험도 예측 모델을 개발하고 검증하는 것을 목표로 하였습니다. 방법: 2005년부터 2021년까지의 국민건강보험공단 데이터베이스를 사용하여 2006년에 진단받고 5년 이상 생존한 5,131명의 여성 유방암 생존자를 포함하였습니다. 연구 대상자는 4:1 비율로 파생 코호트와 검증 코호트에 무작위 배정되었습니다. 주요 결과는 10년 최종 추적 기간 동안 발생한 주요 심혈관 사건(MACEs)이었습니다. 딥러닝 생존 모델(DeepSurv)을 개발하고 이를 Cox 비례위험회귀(CPH) 모델과 비교하여 성능을 평가하였습니다. 모델 성능은 판별력(discrimation)과 보정력(calibration)을 통해 평가되었으며, Shapley 가산 설명을 사용하여 임상 요인의 중요도를 순위화 했습니다. 결과: 10년 추적 관찰 동안 주요심혈관사건의 누적 발생률은 파생 코호트에서 14.4%, 검증 코호트에서 12.1%로 나타났습니다. DeepSurv 및 CPH 모델에는 23개의 일반적인 심혈관 위험 요인과 유방암 치료 관련 요인이 포함되었습니다. 검증 코호트에서 DeepSurv 모델은 시간 의존적 일치 지수(Ctd) 0.739 (95% CI, 0.701–0.774)와 통합 브리어 점수(IBS) 0.049를 기록하여 CPH 모델(Ctd: 0.737, 95% CI, 0.671–0.804; IBS: 0.045, 95% CI, 0.037–0.053)과 유사한 성능을 보였습니다. Shapley 가산 설명 분석에서 나이는 가장 중요한 요인으로 나타났으며, 이상지질혈증, 뇌졸중 병력, 안트라사이클린 화학요법, 고혈압, 당뇨병, 헤모글로빈 수치, 아로마타제 억제제 사용 병력, 방사선 치료가 그 뒤를 이었습니다. 결론: 5년 이상 생존한 여성 유방암 생존자를 대상으로 10년 주요심혈관사건 위험을 예측하는 딥러닝 기반 생존 모델을 개발 및 검증하였으며, 기존 심혈관 위험 요인과 유방암 치료 관련 요인을 통합하여 좋은 보정력과 판별력을 입증했습니다.