The IASLC Lung Cancer Staging Project: Proposals for Revision of the TNM Stage Groupings in the Forthcoming (Eighth) Edition of the TNM Classification for Lung Cancer

authors

Goldstraw et al.

journal

Journal of Thoracic Oncology

year

2016

doi

10.1016/j.jtho.2015.09.009

category

clinical-oncology

pdf

PDF

source

Source

업데이트

2026-07-31

요약

이 논문은 IASLC Lung Cancer Staging Project의 일환으로, 전 세계 16개국 35개 기관에서 수집된 94,708건의 non-small cell lung cancer (NSCLC) 데이터를 바탕으로 제8판 TNM 분류의 Stage grouping을 재정의하는 방안을 제시한다. recursive partitioning and amalgamation algorithm과 bootstrap resampling을 활용한 tree-based survival analysis를 통해 T, N, M descriptor 변경에 따른 새로운 병기 그룹의 통계적 타당성과 임상적 예후 차이를 검증하였다. 특히 tumor size 기준의 세분화 및 T3/T4 경계 재정의로 인한 병기 이동(migration)과, T3–T4N3M0 환자를 위한 새로운 stage IIIC 신설을 제안하여 기존 제7판의 한계를 보완한다. M1 descriptor는 extrathoracic metastasis의 수와 위치에 따라 M1b (single extrathoracic metastasis)와 M1c (multiple extrathoracic metastases)로 세분화되었다. 이 연구는 clinical stage와 pathologic stage 모두에서 인접한 stage group 간 hazard ratio가 통계적으로 유의하며, 모델 설명력(R²)이 제7판 대비 향상됨을 입증한다.

방법

Study design은 retrospective database analysis이며, 1999년부터 2010년 사이에 진단된 NSCLC 환자 중 complete staging information을 가진 사례를 대상으로 하였다. 데이터는 Cancer Research and Biostatistics (CRAB)의 Electronic Data Capture (EDC) 시스템을 통해 구축되었으며, 분석용 training set으로 M0 case 25,911건과 M1 case 599건을 무작위 추출하여 사용하였다. Endpoint는 overall survival이며, 생존 분석은 Kaplan-Meier method와 Cox regression analysis를 활용하였다. 통계적 방법으로는 log-rank test statistic을 기반으로 한 recursive partitioning and amalgamation algorithm을 적용하여 tree-based model을 구성하고, bootstrap resampling으로 adaptive splitting의 편향을 보정하였다. 분석은 data submission type (registry vs others)과 time period (1999–2004 vs 2005–2010)로 stratified되었으며, baseline factors (age, performance status, cell type)를 보정하여 adjacent stage groups 간의 차이를 평가하였다.

주요 결과

제안된 제8판 T, N, M descriptor는 tumor size 기준이 세분화되고 T3와 T4의 경계가 명확히 재정의되었다. recursive partitioning 분석 결과, 기존 stage grouping에서 새로운 grouping으로 case가 이동하는 현상이 확인되었다. 예를 들어, 제7판 기준 T3로 분류되던 7-cm tumor 또는 diaphragm invasion 사례가 제8판 기준 T4로 재분류되면서 stage IIB에서 IIIA로 이동하였다. 또한 기존에 없던 stage IIIC가 T3–T4N3M0 군을 위해 신설되었으며, 이 군은 다른 병기에 비해 더 낮은 예후를 보였다. M1 descriptor는 extrathoracic metastasis의 수와 위치에 따라 M1b (single extrathoracic metastasis)와 M1c (multiple extrathoracic metastases)로 세분화되었다.

통계 분석

분석 설계 — 이 연구는 폐암 TNM 분류의 제8판(stage grouping)을 제안하기 위해, 전 세계 16개국 35개 기관에서 수집된 총 94,708건의 non-small cell lung cancer(NSCLC) 데이터를 활용했다. 분석 대상은 진단 시기가 1999년부터 2010년 사이이며, 완전한 staging 정보가 있는 경우만 포함되었다. primary endpoint는 overall survival(OS)로 정의되었으며, 임상 단계(clinical stage)와 병리 단계(pathologic stage)를 구분하여 평가했다. 데이터는 무작위 추출을 통해 training set(약 2/3)과 internal validation set(약 1/3)으로 나누었으며, stratification은 database submission type(registry vs others)과 case entry time period(1999–2004 vs 2005–2010)를 기준으로 수행했다.

무엇을 위해 어떤 분석을 썼는가 — 새로운 stage grouping 후보군을 도출하기 위해, M0 사례에 대해 recursive partitioning and amalgamation algorithm을 적용하여 survival tree를 생성했다. 이 과정은 R Version 3.1.0을 사용했으며, log-rank test statistic을 기반으로 재귀 분할을 수행하고, bootstrap resampling을 통해 splitting algorithm의 adaptive nature를 보정했다. 생성된 terminal nodes를 바탕으로 인접한 그룹들을 결합하여 여러 candidate stage grouping schemes을 만들었다. 최종안 선정은 training set에서의 통계적 특성과 임상적 관련성을 종합하여 consensus로 결정했다. 제안된 stage groupings의 유효성을 평가하기 위해, Kaplan-Meier method로 overall survival을 계산했으며, registry database와 non-registry database 간의 prognosis 차이와 표본 분포 불균형을 보정하기 위해 inverse probability weights를 적용한 adjusted survival curves를 작성했다. 인접한 stage group 간 생존 차이를 확인하고 교란 요인(age, performance status, cell type, database submission type)을 통제하기 위해 multi-variable Cox proportional hazards regression modeling을 수행했다.

검증 및 비교 분석 — Internal validation set (12,931 cases)에서 제안된 stage grouping의 robustness를 검증했으며, external validation을 위해 North American Surveillance, Epidemiology, and End Results (SEER) database와 비교 분석을 실시했다. SEER 데이터와의 비교에서 IASLC database는 median survival time이 consistently higher였으나, surgical management를 보정한 adjusted hazard ratio는 0.91 (95% CI 0.85–0.96, p < 0.0001)로 두 database 간 prognostic difference가 유의미하게 감소함을 확인했다. 또한 proposed eighth edition의 R² value는 clinical stage에서 67.5(7th ed) → 68.3(8th ed), pathologic stage에서 45.7(7th ed) → 46.9(8th ed)로 증가하여 모델 설명력이 향상됨을 보였다.

강점

이 연구는 전 세계 16개국 35개 기관에서 수집된 대규모 데이터 (n=94,708)를 기반으로 하여 통계적 power가 매우 높다. recursive partitioning and amalgamation algorithm과 bootstrap resampling을 결합한 tree-based survival analysis는 기존 방법론보다 더 정교하게 stage grouping의 최적 cut-point를 도출할 수 있게 했다. internal validation set과 external validation (SEER database)을 모두 수행하여 결과의 generalizability와 robustness를 입증했다. 또한 inverse probability weights를 적용하여 registry와 non-registry 데이터 간의 편향을 보정함으로써 adjusted survival curves의 신뢰성을 높였다.

한계

데이터의 대부분이 retrospective accrual로 수집되었으며, prospective data collection의 복잡성으로 인해 과거에 수집된 데이터를 주로 의존해야 했다. SEER database와의 external validation에서 일부 site-specific factors (예: diaphragm invasion)가 earlier years에는 기록되지 않아 재분류가 불가능한 경우가 있었다. 또한 IASLC database는 surgical management 비율이 87%로 SEER (31%)보다 훨씬 높아, non-surgical cases의 대표성이 부족할 수 있다. clinical stage IIA vs IB 비교에서 validation set 내 sample size가 작아 (n=183) hazard ratio (1.35)는 높았으나 p-value (0.18)로 통계적 유의성을 확보하지 못한 제한이 있었다.

해석

제8판 TNM 분류의 stage grouping은 tumor size와 invasion extent에 대한 세분화를 통해 prognostic stratification을 개선하였다. 특히 T3/T4 경계 재정의와 stage IIIC 신설은 advanced disease患者的 예후 예측 정확도를 높이는 데 기여한다. M1 descriptor의 세분화 (M1b/M1c)는 distant metastasis의 burden에 따른 prognosis 차이를 반영하여 treatment decision-making에 더 정교한 정보를 제공한다. 이 연구 결과는 LLM Wiki의 oncology/imaging/pulmonology/AI 문헌들과 연계되어, future studies에서 AI-based staging algorithms이나 personalized medicine approaches를 개발할 때 reference standard로 활용될 수 있다.