Ulyanovsk Medico-biological Journal

CLINICAL MEDICINE

Download  article

DOI 10.34014/2227-1848-2021-1-50-56

 

Predictors of overall survival in men with chronic lymphocytic leukemia

 

M.V. Markovtseva1, E.N. Zgural'skaya2

1 Ulyanovsk State University, Ulyanovsk, Russia;

2 Ulyanovsk State Technical University, Ulyanovsk, Russia

 

The generally accepted staging for chronic lymphocytic leukemia (CLL) suggested by K. Rai and J. Binet allows calculating the median survival depending on the size of the tumor mass. However, in real clinical practice, the overall survival rate may differ significantly from the calculated median. Thus, the search for parameters affecting the overall survival rate of CLL patients is really relevant.

The aim of the study was to assess general clinical parameters as predictors of survival in CLL patients.

Materials and Methods. The authors examined 60 CLL men (stages A–C according to Binet) with known overall survival rate. Data mining was used to identify significant factors affecting the overall survival in such patients. Patients were divided into two non-overlapping classes: K1 (actual survival was less than the predicted median survival) and K2 (actual survival was more or equal to the predicted median survival).

Results. The most significant differences between the classes were obtained for glomerular filtration rate. If the parameter value is more than 76.5 ml/min/1.73 m2, we can say that the patient will overcome the median survival for the corresponding CLL stage according to Binet. Otherwise, the overall survival of a CLL patient will be less than the estimated one.

Conclusion. If during diagnosing glomerular filtration rate of a CLL patient is more than 76.5 ml/min/1.73 m2, it can be considered as a predictor of overcoming the median survival according to Binet.

The results of the studies obtained are patented. Patent RU 2725877 C1, July 7, 2020.

Keywords: overall survival in CLL patients, men, glomerular filtration rate, data mining.

Conflict of interest. The authors declare no conflict of interest.

 

References

  1. Savchenko V.G., ed. Algoritmy diagnostiki i protokoly lecheniya zabolevaniy sistemy krovi: v 2 t. Т. 2 [Diagnostic algorithms and protocols for blood disease treatment: in 2 volumes. Vol. 2]. Moscow: Praktika; 2018. 1264 (in Russian).

  2. Hallek M., Cheson B.D., Catovsky D. iwCLL guidelines for diagnosis, indications for treatment, response assessment, and supportive management of CLL. Blood. 2018; 131: 2745–2760. DOI: 10.1182/blood-2017-09-806398.

  3. Rai K.R., Sawitsky A., Cronkite E.P. Clinical staging of chronic lymphocytic leukemia. Blood. 1975; 46: 219–234.

  4. Binet J.L., Auquier A., Dighiero G. A new prognostic classification of chronic lymphocytic leukemia derived from a multivariate survival analysis. Cancer. 1981; 48 (1): 198–206.

  5. Charlson M.E., Pompei P., Ales K.L. A new method of classifying prognostic comorbidity in longitudinal studies: development and validation. J. Chron. Dis. 1987; 40: 373–383.

  6. Levey A.S., Coresh J., Greene T., Stevens L.A., Zhang Y.L., Hendriksen S. Using standardized serum creatinine values in the modification of diet in renal disease study equation for estimating glomerular filtration rate. Annals of Internal Medicine. 2006; 145: 247–254.

  7. Zgural'skaya E.N. Ustoychivost' razbieniya dannykh na intervaly v zadachakh raspoznavaniya i poisk skrytykh zakonomernostey [Stability of splitting data into intervals in recognition problems and searching for hidden patterns]. Izvestiya Samarskogo nauchnogo tsentra Rossiyskoy akademii nauk. 2018; 20 (4); (3): 451–455 (in Russian).

  8. Zguralskaya E.N. Analysis of the structure of the relationship between the descriptions of objects of classes and evaluation of their compactness. Workshop Proceedings Information Technology and Nanotechnology (ITNT-2019). Samara; 2019: 283–289.

  9. Ignatiev N.A. Calculation of generalized indicators and data mining. Automation and Telemechanics. 2011; 5: 183–190.

  10. Ignatev N.A., Mirzaev A.I. The Intelligent Health Index Calculation System. Journal of Pattern recognition and Image Analysis. 2016; 1: 73–77.

  11. Coresh J., Astor B.C., Greene T. Prevalence of chronic kidney disease and decreased kidney function in the adult US population: Third National Health and Nutrition Examination Survey. Am. J. Kidney Dis. 2003; 41 (1): 1–12.

  12. Li S., Foley R.N., Collins A.J. Anemia and cardiovascular disease, hospitalization, end stage renal disease, and death in older patients with chronic kidney disease. Int. Urol. Nephrol. 2005; 37: 395–402.

  13. Ohtani H., Wakui H., Komatsuda A. Distribution of glomerular IgG subclass deposits in malignancy-associated membranous nephropathy. Nephrol. Dial. Transplant. 2004; 19 (3): 574–579.

  14. Preston R.A., Stemmer C.L., Materson B.J. Renal biopsy in patients 65 years of age or older. An analysis of the results of334 biopsies. J. Am. Geriatr. Soc. 1990; 38: 669–674.

  15. Lefaucheur C., Stengel B., Nochy D. GN-PROGRESS Study Group. Membranous nephropathy and cancer: Epidemiologic evidence and determinants of high-risk cancer association. Kidney Int. 2006; 70 (8): 1510–1517.

  16. Nikitina A.K., Saraeva N.O. Effektivnost' lecheniya i vyzhivaemost' bol'nykh khronicheskim limfoleykozom v zavisimosti ot pochechnoy funktsii [Efficacy of treatment and survival of patients with chronic lymphocytic leukemia, depending on the renal function]. Zabaykal'skiy meditsinskiy vestnik. 2014; 4: 122–127 (in Russian).

  17. Kam-Tao Li P., Garcia-Garcia G., Lui S., Andreoli S., Fung W., Hradsky A., Kumaraswami L., Liakopoulos V., Rakhimova Z., Saadi G., Strani L., Ulasi I., Kalantar-Zadeh K. Kidney health for everyone everywhere from prevention to detection and equitable access to care. Nephrology (Saint-Petersburg). 2020; 24 (2): 9–21.

Received 08 December 2020; accepted 22 January 2021.

 

Information about the authors

Markovtseva Mariya Vladimirovna, Candidate of Sciences (Medicine), Associate Professor, Chair of Hospital Therapy, Ulyanovsk State University. 432017, Russia, Ulyanovsk, Lev Tolstoy St., 42; e-mail: This email address is being protected from spambots. You need JavaScript enabled to view it., ORCID ID: https://orcid.org/0000-0002-7299-5268

Zgural'skaya Ekaterina Nikolaevna, Senior Researcher, Ulyanovsk State Technical University. 432027, Russia, Ulyanovsk, Severnyy Venets St., 32; e-mail: This email address is being protected from spambots. You need JavaScript enabled to view it., ORCID ID: https://orcid.org/0000-0003-1527-9692

 

For citation

Markovtseva M.V., Zgural'skaya E.N. Prediktory obshchey vyzhivaemosti muzhchin s khronicheskim limfoleykozom [Predictors of overall survival in men with chronic lymphocytic leukemia]. Ul'yanovskiy mediko-biologicheskiy zhurnal. 2021; 1: 50–56. DOI: 10.34014/2227-1848-2021-1-50-56 (in Russian).

 

Скачать статью

УДК 616.411

DOI 10.34014/2227-1848-2021-1-50-56

 

ПРЕДИКТОРЫ ОБЩЕЙ ВЫЖИВАЕМОСТИ МУЖЧИН С ХРОНИЧЕСКИМ ЛИМФОЛЕЙКОЗОМ

 

М.В. Марковцева1, Е.Н. Згуральская2

1 ФГБОУ ВО «Ульяновский государственный университет», г. Ульяновск, Россия;

2 ФГБОУ ВО «Ульяновский государственный технический университет», г. Ульяновск, Россия

 

Общепризнанные системы стадирования хронического лимфолейкоза (ХЛЛ) К. Rai и J. Binet позволяют рассчитать медиану выживаемости пациента в зависимости от величины опухолевой массы. Однако в реальной клинической практике параметр общей выживаемости пациента может значимо отличаться от расчетной медианы. Ввиду этого поиск параметров, влияющих на показатель общей выживаемости пациентов с ХЛЛ, представляет особую актуальность.

Цель исследования – оценить возможность использования общеклинических параметров в качестве предикторов выживаемости больных ХЛЛ.

Материалы и методы. Ретроспективно проанализированы данные 60 мужчин с ХЛЛ стадии A–C по Binet c известной общей выживаемостью. Для выявления значимых факторов, влияющих на общую выживаемость пациентов, использовали метод интеллектуального анализа данных. Пациенты были разделены на два непересекающихся класса: K1 (фактическая выживаемость меньше прогнозируемой медианы выживаемости) и K2 (фактическая выживаемость больше или равна прогнозируемой медиане выживаемости).

Результаты. Наиболее значимые различия между классами были получены по показателю скорости клубочковой фильтрации. При значении параметра более 76,5 мл/мин/1,73 м2 можно говорить о том, что пациент преодолеет расчетные данные медианы выживаемости для соответствующей стадии ХЛЛ по Binet. В противном случае общая выживаемость пациента ХЛЛ будет меньше расчетной.

Выводы. Наличие у пациента с ХЛЛ на момент постановки диагноза скорости клубочковой фильтрации более 76,5 мл/мин/1,73 м2 можно рассматривать в качестве предиктора преодоления расчетного параметра медианы выживаемости по Binet.

Результаты полученных исследований запатентованы. Патент RU 2725877 C1 от 7.07.2020.

Ключевые слова: общая выживаемость при ХЛЛ, мужчины, скорость клубочковой фильтрации, интеллектуальный анализ данных.

 

Литература

  1. Савченко В.Г., ред. Алгоритмы диагностики и протоколы лечения заболеваний системы крови: в 2 т. Т. 2. М.: Практика; 2018. 1264.

  2. Hallek M., Cheson B.D., Catovsky D. iwCLL guidelines for diagnosis, indications for treatment, response assessment, and supportive management of CLL. Blood. 2018; 131: 2745–2760. DOI: 10.1182/blood-2017-09-806398.

  3. Rai K.R., Sawitsky A., Cronkite E.P. Clinical staging of chronic lymphocytic leukemia. Blood. 1975; 46: 219–234.

  4. Binet J.L., Auquier A., Dighiero G. A new prognostic classification of chronic lymphocytic leukemia derived from a multivariate survival analysis. Cancer. 1981; 48 (1): 198–206.

  5. Charlson M.E., Pompei P., Ales K.L. A new method of classifying prognostic comorbidity in longitudinal studies: development and validation. J. Chron. Dis. 1987; 40: 373–383.

  6. Levey A.S., Coresh J., Greene T., Stevens L.A., Zhang Y.L., Hendriksen S. Using standardized serum creatinine values in the modification of diet in renal disease study equation for estimating glomerular filtration rate. Annals of Internal Medicine. 2006; 145: 247–254.

  7. Згуральская Е.Н. Устойчивость разбиения данных на интервалы в задачах распознавания и поиск скрытых закономерностей. Известия Самарского научного центра Российской академии наук. 2018; 20 (4); (3): 451–455.

  8. Zguralskaya E.N. Analysis of the structure of the relationship between the descriptions of objects of classes and evaluation of their compactness. Workshop Proceedings Information Technology and Nanotechnology (ITNT-2019). Samara; 2019: 283–289.

  9. Ignatiev N.A. Calculation of generalized indicators and data mining. Automation and Telemechanics. 2011; 5: 183–190.

  10. Ignatev N.A., Mirzaev A.I. The Intelligent Health Index Calculation System. Journal of Pattern recognition and Image Analysis. 2016; 1: 73–77.

  11. Coresh J., Astor B.C., Greene T. Prevalence of chronic kidney disease and decreased kidney function in the adult US population: Third National Health and Nutrition Examination Survey. Am. J. Kidney Dis. 2003; 41 (1): 1–12.

  12. Li S., Foley R.N., Collins A.J. Anemia and cardiovascular disease, hospitalization, end stage renal disease, and death in older patients with chronic kidney disease. Int. Urol. Nephrol. 2005; 37: 395–402.

  13. Ohtani H., Wakui H., Komatsuda A. Distribution of glomerular IgG subclass deposits in malignancy-associated membranous nephropathy. Nephrol. Dial. Transplant. 2004; 19 (3): 574–579.

  14. Preston R.A., Stemmer C.L., Materson B.J. Renal biopsy in patients 65 years of age or older. An analysis of the results of334 biopsies. J. Am. Geriatr. Soc. 1990; 38: 669–674.

  15. Lefaucheur C., Stengel B., Nochy D. GN-PROGRESS Study Group. Membranous nephropathy and cancer: Epidemiologic evidence and determinants of high-risk cancer association. Kidney Int. 2006; 70 (8): 1510–1517.

  16. Никитина А.К., Сараева Н.О. Эффективность лечения и выживаемость больных хроническим лимфолейкозом в зависимости от почечной функции. Забайкальский медицинский вестник. 2014; 4: 122–127.

  17. Kam-Tao Li P., Garcia-Garcia G., Lui S., Andreoli S., Fung W., Hradsky A., Kumaraswami L., Liakopoulos V., Rakhimova Z., Saadi G., Strani L., Ulasi I., Kalantar-Zadeh K. Kidney health for everyone everywhere from prevention to detection and equitable access to care. Nephrology (Saint-Petersburg). 2020; 24 (2): 9–21.

Поступила в редакцию 08.12.2020; принята 22.01.2021.

 

Авторский коллектив

Марковцева Мария Владимировна – кандидат медицинских наук, доцент кафедры госпитальной терапии, ФГБОУ ВО «Ульяновский государственный университет». 432017, Россия, г. Ульяновск, ул. Л. Толстого, 42; e-mail: This email address is being protected from spambots. You need JavaScript enabled to view it., ORCID ID: https://orcid.org/0000-0002-7299-5268

Згуральская Екатерина Николаевна – старший научный сотрудник, ФГБОУ ВО «Ульяновский государственный технический университет». 432027, Россия, г. Ульяновск, ул. Северный Венец, 32; е-mail: This email address is being protected from spambots. You need JavaScript enabled to view it., ORCID ID: https://orcid.org/0000-0003-1527-9692

 

Образец цитирования

Марковцева М.В., Згуральская Е.Н. Предикторы общей выживаемости мужчин с хроническим лимфолейкозом. Ульяновский медико-биологический журнал. 2021; 1: 50–56. DOI: 10.34014/2227-1848-2021-1-50-56.