Survival after whole brain radiation therapy (WBRT) in patients with multiple brain metastases (BM) is currently predicted by group-based scoring systems with limited usability for decision. We aimed to develop a more relevant individualized predictive model than Radiation Therapy Oncology Group – Recursive Partitioning Analysis (RTOG-RPA) and Diagnosis – Specific Graded Prognostic Assessment (DS-GPA) for patients with limited life-expectancy.

Based on a Discovery cohort of patients undergoing WBRT, multivariable piecewise Cox regression models with time cut-offs at 1 and 3 months were developed to predict overall survival (OS). A final parsimonious model was defined, and an external validation cohort was used to assess its discrimination and calibration at one, six, and 12 months.

In the 173-patient Discovery cohort, the majority of patients had primary lung cancer (56%), presence of extracranial disease (ECD) (75%), Eastern Cooperative Oncolgy Group - Performance Status (ECOG-PS) score 1 (41%) and no intracranial hypertension (ICH) (74%). Most patients were classified as the RPA class II (48%). The final piecewise Cox model was based on primary site, age, ECD, ECOG-PS and ICH. An external validation of the model was carried out using a cohort of 79 patients. Individualized survival estimates obtained with this model outperformed the RPA and DS-GPA scores for overall survival prediction at 1-month, 6-months and 12- months in both Discovery and Validation cohorts. A R/Shiny web application was developed to obtain individualized predictions for new patients, providing an easy-to-use tool for clinicians and researchers.

Our model provides individualized estimates of survival for poor prognosis patients undergoing WBRT, outperforming actual scoring systems.

La survie après une irradiation encéphalique totale chez les patients atteints de métastases cérébrales multiples est actuellement prédite par des scores dont l’utilité pratique est limitée car basés sur des groupes. Nous avons cherché à développer un modèle prédictif individualisé plus pertinent que le Radiation Therapy Oncology Group – Recursive Partitioning Analysis (RTOG-RPA) et le Diagnosis – Specific Graded Prognostic Assessment (DS-GPA) pour les patients dont l’espérance de vie est limitée.

À partir d’une cohorte Discovery de patients ayant reçu une irradiation encéphalique totale, des modèles de régression de Piecewise Cox multifactoriels avec des cut-offs à 1 et 3 mois ont été développés pour prédire la survie globale. Un modèle final parcimonieux a été défini, et une cohorte de validation externe a été utilisée pour évaluer sa capacité de discrimination et son calibrage à 1, 6 et 12 mois.

Au sein de la cohorte Discovery comprenant 173 patients, la majorité des patients étaient atteints d’un cancer du poumon (56 %) avec des métastases extra-cérébrales (75 %), un score de 1 pour l’Eastern Cooperative Oncolgy Group - Performance Status (ECOG-PS) (41 %) et ne souffraient pas de signe d’hypertension intracrânienne (74 %). La plupart des patients ont été classés dans la classe II du score RPA (48 %). Le modèle final de Piecewise Cox reposait sur le site primitif, l’âge, la présence d’une métastase extra-cérébrale, l’ECOG-PS et les signes d’hypertension intracrânienne. Une validation externe du modèle a été réalisée à partir d’une cohorte de 79 patients. Les estimations de survie individualisées obtenues avec ce modèle ont surpassé les scores RPA et DS-GPA pour la prédiction de la survie globale à 1 mois, 6 mois et 12 mois dans les deux cohortes. Une application web R/Shiny a été développée pour obtenir des prédictions individualisées pour de nouveaux patients, offrant un outil facile à utiliser pour les cliniciens.

Notre modèle fournit des estimations individualisées de la survie de patients atteints de cancer de pronostic défavoreable ayant reçu une irradiation encéphalique totale, de façon plus performante que les scores actuels.