Modèles prédictifs d’envahissement du ganglion nonsentinelle en cas de ganglion sentinelle positifdans le cancer du sein

Predictive models for metastatic non-sentinel lymph nodes in cases of positivesentinel lymph nodes in breast cancerE. Chéreau1, D. Hudry2, E. Lambaudie1, M. Cohen1, G. Houvenaeghel1, C. Coutant2

1Service de chirurgie oncologique, institut Paoli-Calmettes,

232, boulevard Sainte-Marguerite, F-13009 Marseille, France2Département d’oncologie chirurgicale,

centre Georges-François-Leclerc, 1, rue Professeur-Marion,

BP 77980, F-21079 Dijon cedex, France

Reçu le 18 janvier 2013 ; accepté le 11 avril 2013

Abstract: To reduce the morbidity

of complementary axillary lymph

node dissection and the reopera-

tion rate after sentinel lymph node

(SN) biopsy, the use of predictive

models of metastatic non-SN in

case of positive SN can be useful.

Before being used in routine, these

models have to be validated in

independent populations based

on discrimination and calibration.

However, the main issue is their

clinical utility based not only on

the low false negative rate but also

on its potential to discriminate

patients with a low risk of non-SN

involvement. This article is inten-

ded to recall the different types of

predictive models used, their defi-

nition and to present and compare

different published models to esti-

mate the risk of invasion of non-

SN in case of positive SN.

Keywords: Breast cancer – Mathe-

matical models – Sentinel lymph

node – Non-sentinel lymph node –

Prediction

Résumé : Afin de diminuer lamor-

bidité du curage axillaire (CA) et le

taux de réintervention après pro-

cédure du ganglion sentinelle

(GS), l’utilisation de modèles pré-

dictifs d’envahissement des gan-

glions non sentinelles (GNS) en

cas de GS métastatique peut être

utile dans la prise en charge des

patientes. Avant de pouvoir être

utilisés en pratique courante, ces

modèles doivent être validés sur

des cohortes indépendantes de

patientes avec une méthodologie

rigoureuse. Les critères de valida-

tion sont la discrimination, la cali-

bration et l’intérêt clinique qui

reposent, d’une part, sur l’analyse

du taux de faux-négatifs et, d’autre

part, sur l’efficacité du modèle,

c’est-à-dire sa capacité à sélection-

ner un nombre suffisant de

patientes. Cet article a pour but

de rappeler les différents types

de modèles prédictifs utilisés et

leur définition et de présenter et

comparer les différents modèles

publiés permettant d’estimer le

risque d’envahissement du GNS

en cas de GS positif.

Mots clés : Cancer du sein – Mo-

dèles mathématiques – Ganglion

sentinelle – Ganglion non senti-

nelle – Prédiction

Introduction

Les résultats de l’essai américain

ACOSOG Z0011 publié récemment

ont relancé le débat sur la réalisa-

tion ou non d’un curage axillaire

(CA) complémentaire en cas de

ganglion sentinelle (GS) positif

[10]. En effet, cette étude comparant

la survie des patientes avec un ou

des GS envahi(s) ayant bénéficié ou

non d’un CA complémentaire n’a

retrouvé aucune différence statisti-

quement significative, avec un suivi

médian de 6,3 ans, entre les deux

groupes randomisés CA complé-

mentaire (420 patientes) et GS seul

(436 patientes) en termes de réci-

dive locale et de récidive régionale.

L’envahissement des GS corres-

pondait à une macrométastase

dans 50,2 % des cas (430/856), à

une micrométastase dans 35,1 %

des cas (301/865) et sans précision

dans 14,6 % des cas (125/856).

Néanmoins, ces résultats sont dis-

cutables, car cet essai a été préma-

turément fermé en raison d’une

faible inclusion.

En cas d’envahissement méta-

statique du GS chez les patientes

ayant un cancer du sein, un CA

complémentaire est actuellement

toujours recommandé en France. Il

apparaît tout de même indispen-

sable de déterminer de manière

prédictive le risque d’envahisse-

ment des ganglions non sentinelles

(GNS) en cas d’atteinte des GS. En

effet, dans 40 à 70 % des cas, les

GNS sont indemnes d’envahisse-

ment tumoral [5,14,15,22].Correspondance : elisabeth.chereau@gmail.com

Dossier

Them

atic

file

■Oncologie (2013) 15: 304–310© Springer-Verlag France 2013DOI 10.1007/s10269-013-2292-8

304

Afin de connaître de manière

prédictive le risque d’envahisse-

ment des GNS en cas d’atteinte

des GS, plusieurs modèles mathé-

matiques ont été développés per-

mettant d’estimer pour une patiente

donnée le risque de maladie rési-

duelle axillaire en cas de GS positif.

Ces modèles correspondent soit à

des équations avec un calcul du

risque estimé pour chaque patiente

en fonction des critères retenus

dans ce modèle, soit à des scores

avec un résultat binaire, groupe à

haut risque ou non en fonction là

aussi des critères retenus. En 2003,

Van Zee et al. ont été les premiers

à proposer un nomogramme pré-

dictif d’envahissement des GNS

(Memorial Sloan-Kettering Cancer

Center [MSKCC] nomogramme)

[30]. Depuis, plusieurs autres nomo-

grammes et scores ont été publiés.

Les différents facteurs prédictifs

d’envahissement des GNS les plus

souvent mis en évidence dans ces

modèles sont la taille de la tumeur

primitive, la taille de la métastase

dans le GS, la présence d’emboles

lymphovasculaires, le nombre de

GS prélevés et envahis ou le ratio

du nombre de GS envahis par rap-

port au nombre de GS prélevés.

Cet article a pour but de rappeler

les différents types demodèles pré-

dictifs utilisés et leur définition et de

présenter et comparer les différents

modèles publiés permettant d’esti-

mer le risque d’envahissement du

GNS en cas de GS positif.

Description des différents

modèles prédictifs

Nomogrammes

Les nomogrammes sont desmodè-

les développés à partir d’une

régression logistique. Les variables

indépendantes prédictives d’enva-

hissement des GNS sont incluses

dans le modèle permettant de cal-

culer, pour chaque patiente, la pro-

babilité d’envahissement des GNS.

Le seuil acceptable proposé par les

auteurs comme prédictif de non-

envahissement des GNS est une

probabilité prédite inférieure ou

égale à 10 %.

Scores

Les scores sont également obtenus

après régression logistique. Les

variables significatives sont incluses

dans le modèle où un nombre de

points leur est assigné en fonction

de leur poids respectif, c’est-à-dire

en fonction de la valeur du coeffi-

cient de régression de chacune

d’elles. La somme des points des

variables constituant le modèle

détermine un score. Un seuil est

proposé par les auteurs ainsi que la

probabilité de l’événement qui y est

attaché. À l’inverse des nomogram-

mes qui fournissent une probabilité

pour chaque patiente, les scores

donnent une réponse binaire pour

une patiente (en fonction du seuil).

Modèles de partition récursive

Un modèle de partition récursive

(encore appelé segmentation par

arbre binaire ou partitionnement

récursif) permet de créer un arbre

de décision basé sur une ou plu-

sieurs variable(s) dichotomique(s)

dont le but est de classer correcte-

ment lesmembres de la population.

Contrairement aux modèles de

régression logistique qui cherchent

des combinaisons qui maximisent

tant la sensibilité que la spécificité,

les modèles de partition récursive

cherchent les combinaisons les

plus sensibles. Pour chaque bran-

che du modèle, une probabilité

d’envahissement des GNS est don-

née. Comme pour les nomogram-

mes, le seuil proposé par les

auteurs comme prédictif de non-

envahissement des GNS est une

probabilité inférieure à 10 %.

Méthodes statistiques

d’évaluation des différents

modèles et utilité clinique

Unmodèledoit être validé aumieux

sur une population indépendante

(validation externe). À défaut, une

validation interne peut être effec-

tuée (cross validation, bootstrap).Les critères de validation impor-

tants sont, d’une part, la discrimina-

tion et la calibration et, d’autre part,

l’intérêt clinique du modèle basé

sur le taux de faux-négatifs (FN), la

sensibilité, la spécificité, la valeur

prédictive négative (VPN) et posi-

tive (VPP) et sur l’efficacité du

modèle. Ce dernier point est impor-

tant bien que rarement pris en

compte et est défini par la capacité

du modèle à classer correctement

le plus grand nombre de patientes.

Discrimination

La discrimination est basée sur

l’analyse de l’aire sous la courbe

ROC (receiver operating characte-ristic curve) [AUC]. Une courbe

ROC est une représentation gra-

phique du taux de faux-positifs

(1-spécificité) en fonction de la sen-

sibilité pour chaque valeur du

modèle. Le calcul de l’AUC permet

de mettre en évidence le pouvoir

discriminant d’un test à séparer les

sujets malades des non malades.

Lorsque l’AUC est supérieure à

0,8, le pouvoir discriminant est

excellent ; il est bon lorsque l’AUC

est comprise entre 0,7 et 0,8. Une

AUC à 0,5 correspond à une prédic-

tion au hasard [12].

Calibration

La calibration d’un modèle a pour

but de comparer les probabilités

prédites par le modèle et les fré-

quences réellement observées.

Elle est étudiée par une représenta-

tion graphique, la courbede calibra-

tion, obtenue par régression linaire.

Un modèle est correctement cali-

bré lorsque les deux droites sont

superposables.

Intérêt clinique

L’intérêt clinique du modèle repose

sur l’analyse du taux de FN, de la

sensibilité, de la spécificité, de la

VPP et de la VPN. Un taux de FN

inférieur ou égal à 5% est considéré

comme acceptable par les auteurs.

Par ailleurs, une autre notion appa-

raît fondamentale, celle de l’effica-

cité dumodèle, c’est-à-dire sa capa-

cité à sélectionner un nombre

suffisant de patientes. En effet,

40 à 70 % des patientes n’auront

pas d’envahissement des GNS.

Ainsi, le second paramètre impor-

tant afin de déterminer l’utilité

clinique d’un modèle est le nombre

Miseaupoint

Update

305

de patientes ayant un score infé-

rieur au seuil ou une probabilité

prédite inférieure à 10 %. En effet,

un modèle discriminant, correcte-

ment calibré, avec un taux de FN

acceptablemais qui ne sélectionne-

rait que quelques pour cent de la

population aurait un intérêt

clinique limité.

Revue de la littérature

des modèles existants

Nomogrammes

À ce jour, sept nomogrammes

et un modèle continu ont été

développés afin de prédire l’enva-

hissement des GNS en cas de

GS positif (Tableau 1).

Nomogramme du MSKCC (MSKCCnomogram)

Le nomogramme du MSKCC déve-

loppé par Van Zee et al. [30] fait

intervenir huit variables :

– le type histologique associé

au grade SBR (carcinome cana-

laire infiltrant [CCI] de grade 1,

CCI de grade 2, CCI de grade 3

et carcinome lobulaire infiltrant

[CLI]) ;

– l’existence d’une invasion

lymphovasculaire (LVI) [oui, non] ;

– le caractère multifocal (oui,

non) ;

– le statut des récepteurs aux

estrogènes (présent, absent) ;

– le nombre de GS non méta-

statiques (de 0 à 14) ;

– le nombre de GS métasta-

tiques (de 1 à 7) ;

– la taille de la tumeur primitive

(de 0 à 9 cm) ;

– la méthode de détection des

métastases dans les GS.

Les auteurs ont mis à la disposi-

tion des cliniciens un site Internet

permettant facilement de calculer

pour chaque patiente une probabi-

lité d’envahissement des GNS :

http://www.mskcc.org/mskcc/htlm/

5794.cfm.

Nomogramme de la Mayo clinique(Mayo nomogram)

Le nomogramme de la Mayo

clinique a été développé par

Degnim et al. [9] sur le même

Tableau 1. Nomogrammes prédictifs d’envahissement des GNS?

Modèles MSKCCnomogram

Mayonomogram

Cambridgenomogram

Stanfordnomogram

Marseillenomogram

Ljubljananomogram

Helsinkinomogram

Helsinkimodèlecontinu

0 à 100 % 0 à 100 % 0 à 100 % 0 à 100 % 0 à 100 % 0 à 100 % 0 à 32 % 0 à 100 %

Seuil ≤ 10 % ≤ 10 % < 10 % ≤ 10 % ≤ 10 % ≤ 10 % ≤ 10 % –

VariablesÂge XIncidence des GNSpositifs dans le centre

X

Taille de la tumeur X X Xd X X XÉchographie axillaire XType de la tumeur X XGrade histologique XLVI X Xc X X XMultifocalité X X XStatut des récepteurshormonaux

X

Statut Her2 XNb de GS négatifs X X X XNb de GS positifs X X XRupture capsulaire Xa

Taille de la métastasedans le GS

X Xb Xc, Xd X

Effraction capsulaire XMéthode de détectionde la métastasedans le GS

X X X

Ratio entre le nb de GSpositifs sur le nb totalde GS prélevés

X

AUC 0,611 0,602 0,515 0,629 0,617 0,586 0,682 0,756Sensibilité (%) 91,4 91,4 68,6 68,6 91,4 94,3 38,2 38,5Spécificité (%) 18,3 16,5 27,8 49,0 25,8 10,0 85,7 89,2Utilité clinique (%) 17,6 15,9 28,1 47,7 24,6 9,7 84,1 –

?

RP = partition récursive ; Nb : nombre.a Nb de GS positifs en fonction de la présence ou de l’absence d’une rupture capsulaire.b Taille de la métastase dans le GS en mm.c Variable composée : LVI × taille de la métastase dans le GS.d Variable composée : taille de la tumeur × (taille de la métastase dans le GS)2.

Dossier

Them

atic

file

306

principe à partir d’une série rétro-

spective et comprend cinq varia-

bles :

– la taille de la métastase

(en mm) ;

– la taille histologique de la

fraction invasive (en mm) ;

– le nombre de GS indemnes ;

– le nombre de GS métasta-

tiques avec deux situations distinc-

tes : présence ou non d’au moins

un GS avec une rupture capsulaire

et enfin l’âge de la patiente avec là

encore deux situations distinctes :

présence ou non de récepteurs

aux estrogènes. Il n’y a pas de cal-

culateur on line ;

– l’utilisation en routine de ce

modèle est fastidieuse.

Nomogramme de Cambridge(Cambridge nomogram)

Le nomogramme de Cambridge

proposé par Pal et al. [23] inclut

trois variables : le type histologique

de la tumeur, la taille de la méta-

stase dans le GS (en mm) et le

ratio entre le nombre de GS positifs

et le nombre total de GS prélevés.

Nomogramme de Stanford (Stanfordnomogram)

Le nomogramme de Stanford

publié par Kohrt et al. [18] a la parti-

cularité d’inclure des interactions

entre les variables : la première est

le produit d’une invasion lympho-

vasculaire (LVI) [scoré 1 si présent,

0 si absent] avec la taille de laméta-

stase dans le GS (scoré 2 si macro-

métastases, 1 simicrométastases et

0 si cellules isolées) ; la seconde

variable est le produit de la taille

histologique de la tumeur (en cm)

par le carré de la taille de la

métastase.

Nomogramme de Marseille

Le nomogramme de Marseille [13]

a la particularité de prédire le risque

d’envahissement des GNS chez

les patientes présentant une micro-

métastase sur le GS. Il prend en

compte le type histologique, la

méthode d’analyse anatomopatho-

logique des GS, la présence d’em-

boles vasculaires et la taille tumo-

rale. Il est plus performant que les

nomogrammes décrits précédem-

ment en cas de micrométastase

des GS.

Nomogramme de Ljubljana

Une équipe Solvène [24] a proposé

récemment dans une même publi-

cation trois nomogrammes (nomo-

gramme de Ljubljana) incluant

comme variables communes les

emboles vasculaires, l’échographie

axillaire préopératoire (ganglion

suspect ou non) et le nombre de

GS négatifs. La différence entre les

trois modèles est la connaissance

ou non des résultats de l’examen

extemporané du GS afin de les ren-

dre exportables à toutes les institu-

tions en fonctiondespratiques loca-

les. Ces trois nomogrammes sont

bien calibrés sur la population

étudiée.

Nomogramme d’Helsinki

Enfin, les derniers nomogrammes

décrits sont ceux d’Helsinki sous

forme de deux modèles distincts.

Tout d’abord, le nomogramme

d’Helsinki [21] qui prend en compte

uniquement la taille tumorale

combinée au caractère uni- ou mul-

tifocal (en cas de tumeur multifo-

cale, c’est la taille de la plus grande

tumeur qui est considérée). Plus

récemment, les mêmes auteurs

ont proposé un modèle continu[20] incluant neuf variables :

– l’incidence des GNS positifs

dans le centre considéré ;

– la taille tumorale ;

– les emboles ;

– la multifocalité ;

– le statut Her2 ;

– le nombre de GS positifs ou

négatifs ;

– la taille de la métastase

ganglionnaire ;

– la rupture capsulaire.

Les auteurs ont mis à la dispo-

sition des cliniciens un site Inter-

net permettant facilement de cal-

culer pour chaque patiente une

probabilité d’envahissement des

GNS : http://www.hus.fi/breast-

surgery/predictivemodel.

Validation externe

Plusieurs de ces nomogrammes

ont été validés sur des populations

indépendantes.

Le MSKCC nomogramme, pre-

mier modèle proposé, a été évalué

par 17 équipes [1,3,7–9,16–19,23,

25,27–31] avec des AUC qui varient

de 0,58 à 0,86. Il a été validé par

12 équipes (AUC > 0,7) [1,3,7,9,

18,19,25,27–31] et non validé par

trois autres équipes [1,16,17] dont

Alran et al. pour les patientes ne

contenant que des micrométasta-

ses. Deux auteurs ont rapporté des

AUC comprises entre 0,6 et 0,7

[8,23]. Quatre de ces équipes seule-

ment ont étudié la calibration de

ce modèle sur leur population

[1,9,25,30]. Seulement trois de ces

équipes ont rapporté leur taux de

FN pour une probabilité inférieure

ou égale à 10 % (Ponzone et al.,

Degnim et al. et Soni et al. avec des

taux de FN de 0, 14 et 16 % respecti-

vement) [9,25,28].

Par ailleurs, le MSKCC nomo-

gramme a fait l’objet d’une valida-

tion spécifique sur le sous-groupe

des micrométastases par Alran et

al. [1] qui ont rapporté une AUC à

0,54.

Kohrt et al. [18] ont validé sur

une population indépendante de

77 patientes leur modèle (nomo-

gramme de Stanford) et le nomo-

gramme du MSKCC avec des AUC

de 0,74 et 0,62 respectivement sans

rapporter ni la calibration ni le taux

de FN.

Gur et al. [11] ont également

validé les nomogrammes du

MSKCC, de Cambridge et de Stan-

ford avec des AUC de 0,705, 0,711

et 0,730 respectivement.

Une validation interne (cinq

populations) et externe (huit popu-

lations) du modèle continu d’Hel-

sinki [20] a été réalisée dans la

même publication retrouvant une

bonne corrélation avec des AUC

moyennes de 0,714 (0,665–0,763)

et 0,719 (0,689–0,750) respective-

ment. Par ailleurs, ce modèle était

très bien calibré pour ce qui est de

la population de validation externe.

Miseaupoint

Update

307

À notre connaissance, les autres

modèles n’ont pas été évalués sur

une population indépendante. Pal

et al. [23] ont validé leur modèle

(nomogramme de Cambridge) par

validation interne (cross validation)et retrouvent une AUC à 0,84.

Scores

À l’image des nomogrammes,

plusieurs scores ont été décrits

afin de prédire l’envahissement

desGNSetdéfinir un seuil décision-

nel (Tableau 2).

Le score de Tenon [2] (de 0 à 7

points) est basé sur la combinaison

de trois facteurs prédictifs indépen-

dants : l’existence de macrométas-

tases dans le GS (2 points si pré-

sent, 0 sinon), la taille histologique

de la tumeur (3 points si supérieure

à 20 mm, 1,5 point si la taille est

comprise en 10 et 20 mm et 0

point si la taille est inférieure ou

égale à 10 mm), et le ratio entre le

nombre de GS métastatiques et le

nombre de GS prélevés (2 points si

le ratio est égal à 1, 1 point si le

ration est compris entre 0,5 et 1 et

0 point si inférieur à 0,5). Les

patientes dont le score est inférieur

ou égal à 3,5 ont une probabilité de

97,3%denepas avoir demétastase

dans les GNS (odds ratio de 42,75

avec un intervalle de confiance à

95 % de [20,5–90,0]).

Le score du MDA [14] (de –2 à 4

points) fait intervenir quatre fac-

teurs : la taille tumorale histolo-

gique (1 point si supérieure à

2 cm), le nombre de GS prélevés

(–2 points si supérieur ou égal à 3),

la taille de la métastase dans le GS

(2 points si supérieure à 2 mm) et la

présence d’une LVI (1 point si pré-

sent). Le seuil proposé est de 0 avec

une valeur prédictive négative rap-

portée par les auteurs de 100 %.

Le score de Saidi et al. [26] (de 0

à5points) incluantquatrevariables :

la taille de la tumeur (2 points si

supérieure à 10 mm, 0 point

sinon), la présence d’une masse

palpable (1 point si présent), l’exis-

tence d’une LVI (1 point si présent)

et l’existence d’une rupture capsu-

laire (1 point si présent). Le seuil

proposé par les auteurs est 2 avec

un risque d’envahissement des

GNS de 5,8 % en cas de score infé-

rieur ou égal à 2.

Le score de Cho et al. [4] prend

en compte les données de l’écho-

graphie axillaire préopératoire

(V1), la taille tumorale (T2 ou T3)

(V3-2 ou V3-3), le nombre de GS

envahis (V4) et non envahis (V5) et

la présence d’emboles vasculaires

(V2) afin de proposer un score pré-

dictif d’envahissement des GNS.

Cesdifférents paramètres sont asso-

ciés à un nombre de points positifs

ou négatifs qui permet le calcul du

score avec la formule suivante :

score = 1,44 × V1 + 1,14 × V2 + 0,63

(V3-2) ou 2,47(V3-3) + 0,66 × V4 –

0,22 × V5.

Validation externe

Le score du MDA a été validé par

Dauphine et al. [8] avec une AUC à

0,7 mais sans information sur la

calibration ni le taux de FN. Par

contre, Ponzone et al. [25] rappor-

taient un taux de FN de 18,8 %

(seuil à 0) ne validant pas le score,

mais sans fournir ni l’AUC ni la

courbe de calibration.

Le score de Tenon a été validé

sur une série indépendante de 226

patientes par Coutant et al. [6] avec

Tableau 2. Scores prédictifs d’envahissement des GNS?

Modèles Score du MDA Score de Tenon Score de Saidi Score de Cho

Type Score Score Score Score

–2 à 4 0 à 7 0 à 4 0 à 5

Seuil ≤ 0 ≤ 3,5 ≤ 2 ≤ 1

VariablesTaille de la tumeur 0 pt si ≤ 10 mm, 1 pt

si > 10 mm0 pt si < 10 mm, 1,5 pt si ]10–20], 3 pts si > 20 mm

2 pts si > 10 mm,1 pt sinon

0,63 si T2 ou 2,47 si T3,0 sinon

Échographie axillaire 1,44 pt si ganglionsuspect, 0 sinon

Masse palpable 1 pt, 0 sinonLVI 1 pt, 0 sinon 1 pt, 0 sinon 1,14 pt, 0 sinonNb de GS prélevés –2 pts si ≥ 3Nb de GS négatifs –0,22 pt par ganglion

négatifNb de GS positifs 0,66 pt par ganglion

métastatiqueRupture capsulaire 1 pt, 0 sinonTaille de la métastase dans le GS 2 pts si

macrométastases2 pts simacrométastases

Ratio entre le nb de GS positifssur le nb total de GS prélevés

0 pt si < 0,5, 1 pt si [0,5–1[, 2 pts si = 1

AUC 0,547 0,590 0,571 0,599Sensibilité (%) 42,9 25,7 74,1 54,3Spécificité (%) 75,5 72,2 31,6 61,2Utilité clinique (%) 74,2 81,6 31,2 60,1

Dossier

Them

atic

file

308

une AUC à 0,82 et un taux de FN de

4,2 % (seuil 3,5) confirmant ses

excellentes performances. Il a éga-

lement été validé par Gur et al. [11]

avec une AUC de 0,582.

Pour le score de Cho et al. [4], la

validation externe a été rapportée

dans la publication initiale et

retrouve une bonne reproductibilité

avec des AUC de 0,70 à 0,82 sur

cinq populations indépendantes.

Partition récursive et régression

logistique (Tableau 3)

Kohrt et al. [18] ont proposé deux

modèles de partitions récursives :

le premier (RP-ROC) utilisant la

méthode RP-ROC décrite par Krae-

mer et al. et le second (CART) utili-

sant la méthode CART (basée sur la

méthode de Gini-Lorenz).

Les variables dichotomiques

incluses dans ces deux modèles

sont : présence d’une LVI, présence

de cellules tumorales isolées dans

le GS, taille de la tumeur et pré-

sence de macrométastase dans le

GS.

À côté de la validation du nomo-

gramme de Stanford sur une

population indépendante de 77

patientes, Kohrt et al. [18] ont éga-

lement validé leurs trois modèles

(nomogramme de Stanford, RP-

ROC et CART) par cross validationavec des AUC à 0,85, 0,8 et 0,8

respectivement. Les résultats

souvent très bons rapportés par

les auteurs lors des validations

internes contrastent avec les résul-

tats décevants lors des validations

sur des populations indépendantes.

Conclusion

Afin de diminuer lamorbidité duCA

et le taux de réinterventions après

procédure du GS, l’utilisation de

modèles permettant de prédire l’en-

vahissement des GNS en cas de GS

métastatique et ainsi de sélection-

ner les 40 à 70 % des patientes

n’ayant pas de bénéfice à un CA

peut avoir un intérêt pour les

patientes.

Quatorze modèles ont été pro-

posés, et seulement certains d’entre

eux ont été évalués sur des popula-

tions indépendantes. Il apparaît

donc indispensable d’avoir une vali-

dation et une comparaison des dif-

férents modèles existants sur une

large série indépendante et notam-

ment sur le sous-groupe spéci-

fique des patientes dont le GS ne

contient que des micrométastases

ou des cellules isolées afin de pou-

voir sélectionner le ou lesmodèle(s)

ayant une discrimination, une fiabi-

lité et une efficacité clinique suffi-

santes. Ceoucesmodèle(s) devront

ensuite être validés par des essais

randomisés.

Une étude française randomi-

sée multicentrique est actuelle-

ment en cours comparant la survie

sans récidive (tout type de récidive)

entre les patientes ayant eu ou non

un CA complémentaire en cas de

GS positif (tout type d’atteinte

ganglionnaire).

En attendant le résultat de ces

études, un CA est toujours la règle

en cas de GS métastatique.

Conflit d’intérêt : les auteurs

déclarent ne pas avoir de conflit

d’intérêt.

Références

1. Alran S, De Rycke Y, Fourchotte V, et al.(2007) Validation and limitations of use ofa breast cancer nomogram predictingthe likelihood of non-sentinel node invol-vement after positive sentinel node biop-sy. Ann Surg Oncol 14(8): 2195–201

2. Barranger E, Coutant C, Flahault A, et al.(2005) An axilla scoring system to predictnon-sentinel lymph node status in breastcancer patients with sentinel lymph node

involvement. Breast Cancer Res Treat 91(2): 113–9

3. Bevilacqua JL, Kattan MW, Fey JV, et al.(2007) Doctor, what are my chancesof having a positive sentinel node? Avalidated nomogram for risk estimation.J Clin Oncol 25(24): 3670–9

4. Cho J, Han W, Lee JW, et al. (2008) Ascoring system to predict nonsentinellymph node status in breast cancerpatients with metastatic sentinel lymphnodes: a comparison with other scoringsystems. Ann Surg Oncol 15(8): 2278–86

5. Chu KU, Turner RR, Hansen NM, et al.(1999) Do all patients with sentinel nodemetastasis from breast carcinoma needcomplete axillary node dissection? AnnSurg 229(4): 536–41

6. Coutant C, Rouzier R, Fondrinier E, et al.(2009) Validation of the Tenon breastcancer score for predicting non-sentinellymph node status in breast cancerpatients with sentinel lymph node metas-tasis: a prospective multicenter study.Breast Cancer Res Treat 113(3): 537–43

7. Cripe MH, Beran LC, Liang WC, et al.(2006) The likelihood of additional nodaldisease following a positive sentinellymph node biopsy in breast cancerpatients: validation of a nomogram. AmJ Surg 192(4): 484–7

8. Dauphine CE, Haukoos JS, Vargas MP,et al. (2007) Evaluation of three scoringsystems predicting non sentinel nodemetastasis in breast cancer patients witha positive sentinel node biopsy. Ann SurgOncol 14(3): 1014–9

9. Degnim AC, Reynolds C, Pantvaidya G,et al. (2005) Nonsentinel node metastasisin breast cancer patients: assessment ofan existing and a new predictive nomo-gram. Am J Surg 190(4): 543–50

10. Giuliano AE, McCall L, Beitsch P, et al.(2010) Locoregional recurrence after sen-tinel lymph node dissection with or wi-thout axillary dissection in patients withsentinel lymph node metastases: theAmerican College of Surgeons OncologyGroup Z0011 randomized trial. Ann Surg252(3): 426–32

11. Gur AS, Unal B, Ozbek U, et al. (2010)Turkish Federation of Breast DiseaseAssociations Protocol MF08-01 investiga-tors. Validation of breast cancer nomo-grams for predicting the non-sentinellymph node metastases after a positivesentinel lymph node biopsy in a multi-center study. Eur J Surg Oncol 36(1):30–5

12. Hanley JA, McNeil BJ (1982) The mea-ning and use of the area under a receiveroperating characteristic (ROC) curve. Ra-diology 143(1): 29–36

13. Houvenaeghel G, Nos C, Giard S, et al.(2009) A nomogram predictive of non-sentinel lymph node involvement inbreast cancer patients with a sentinellymph node micrometastasis. Eur J SurgOncol 35(7): 690–5

Tableau 3. Partition récursive et pro-babilité d’envahissement des GNS

?

Modèles RP-ROC CART

Type RP RP

Seuil ≤ 10 % ≤ 10 %

VariablesTaillede la tumeur

X X

LVI X XTaillede la métas-tasedans le GS

X X

Miseaupoint

Update

309

14. Hwang RF, Krishnamurthy S, Hunt KK,et al. (2003) Clinicopathologic factors pre-dicting involvement of nonsentinel axilla-ry nodes in women with breast cancer.Ann Surg Oncol 10(3): 248–54

15. Kim T, Giuliano AE, Lyman GH (2006) Lym-phatic mapping and sentinel lymph nodebiopsy in early-stage breast carcinoma: ametaanalysis. Cancer 106(1): 4–16

16. Klar M, Jochmann A, Foeldi M, et al.(2008) The MSKCC nomogram for predic-tion the likelihood of non-sentinel nodeinvolvement in a German breast cancerpopulation. Breast Cancer Res Treat112(3): 523–31

17. Kocsis L, Svebis M, Boross G, et al. (2004)Use and limitations of a nomogram pre-dicting the likelihood of non-sentinelnode involvement after a positive sentinelnode biopsy in breast cancer patients.Am Surg 70(11): 1019–24

18. Kohrt HE, Olshen RA, Bermas HR, et al.(2008) New models and online calculatorfor predicting non-sentinel lymph nodestatus in sentinel lymph node positivebreast cancer patients. BMC Cancer 8: 66

19. Lambert LA, Ayers GD, Hwang RF, et al.(2006) Validation of a breast cancer nomo-gram for predicting nonsentinel lymphnode metastases after a positive sentinelnode biopsy. Ann Surg Oncol 13(3): 310–20

20. Meretoja TJ, Leidenius MH, Heikkilä PS,et al. (2012) International multicenter tool

to predict the risk of nonsentinel nodemetastases in breast cancer. J Natl Can-cer Inst 104(24): 1888–96

21. Meretoja TJ, Strien L, Heikkilä PS, et al.(2012) A simple nomogram to evaluatethe risk of nonsentinel node metastasesin breast cancer patients with minimalsentinel node involvement. Ann Surg On-col 19(2): 567–76

22. Nos C, Harding-MacKean C, Freneaux P,et al. (2003) Prediction of tumour involve-ment in remaining axillary lymph nodeswhen the sentinel node in a woman withbreast cancer contains metastases. Br JSurg 90(11): 1354–60

23. Pal A, Provenzano E, Duffy SW, et al.(2008) A model for predicting non-sentinel lymph node metastatic diseasewhen the sentinel lymph node is positive.Br J Surg 95(3): 302–9

24. Perhavec A, Perme MP, Hocevar M, et al.(2010) Ljubljana nomograms for predic-ting the likelihood of non-sentinel lymphnode metastases in breast cancerpatients with a positive sentinel lymphnode. Breast Cancer Res Treat 119(2):357–66

25. Ponzone R, Maggiorotto F, Mariani L,et al. (2007) Comparison of two modelsfor the prediction of nonsentinel nodemetastases in breast cancer. Am J Surg193(6): 686–92

26. Saidi RF, Dudrick PS, Remine SG, et al.(2004) Nonsentinel lymph node status af-ter positive sentinel lymph node biopsy inearly breast cancer. Am Surg 70(2): 101–5; discussion 5

27. Smidt ML, Kuster DM, van der Wilt GJ,et al. (2005) Can the Memorial Sloan-Kettering Cancer Center nomogram pre-dict the likelihood of nonsentinel lymphnode metastases in breast cancer patientsin the Netherlands? Ann Surg Oncol 12(12):1066–72

28. Soni NK, Carmalt HL, Gillett DJ, et al.(2005) Evaluation of a breast cancer no-mogram for prediction of non-sentinellymph node positivity. Eur J Surg Oncol31(9): 958–64

29. Specht MC, Kattan MW, Gonen M, et al.(2005) Predicting nonsentinel node statusafter positive sentinel lymph biopsy forbreast cancer: clinicians versus nomo-gram. Ann Surg Oncol 12(8): 654–9

30. Van Zee KJ, Manasseh DM, BevilacquaJL, et al. (2003) A nomogram for predic-ting the likelihood of additional nodalmetastases in breast cancer patientswith a positive sentinel node biopsy.Ann Surg Oncol 10(10): 1140–51

31. Zgajnar J, Perhavec A, Hocevar M, et al.(2007) Low performance of the MSKCCnomogram in preoperatively ultrasonicallynegative axillary lymph node in breast can-cer patients. J Surg Oncol 96(7): 547–53

Dossier

Them

atic

file

310