Ponente
Descripción
El carcinoma de células escamosas (CCE) del pene es una preocupación creciente en oncología. En 2021, EE.UU. registró 2.210 nuevos casos, con una tasa de mortalidad del 20%. A pesar de los avances en tratamientos, es vital identificar nuevos objetivos moleculares e inmunoterapéuticos. Este estudio se centró en analizar la relación entre características patológicas del CCE y la expresión de los marcadores PD-L1 y CD8. Se recolectaron muestras de tejido de 108 pacientes con CCE y se utilizaron cuatro microarrays tisulares para su análisis. Estas herramientas permitieron una evaluación detallada de las características histológicas y la expresión de PD-L1 y CD8. Para entender las relaciones entre estas variables, se desarrolló un modelo de machine learning en Python, aprovechando técnicas estadísticas avanzadas. Los resultados indican que el subtipo histológico es clave en la expresión de PD-L1 en células tumorales. Este factor, al combinarse con la respuesta del huésped, puede explicar hasta el 20% de la variabilidad en la expresión de este marcador. Por otro lado, la respuesta del huésped juega un papel destacado en la variabilidad de PD-L1 y CD8 en linfocitos, tanto intratumorales como peritumorales. En conclusión, la investigación subraya la importancia de los marcadores PD-L1 y CD8 en el CCE del pene y su potencial terapéutico. Combinar la histopatología con machine learning ha ofrecido perspectivas valiosas para futuras estrategias de tratamiento.
Introducción
Durante el año 2021, Estados Unidos experimentó un considerable incremento en los casos de carcinoma de células escamosas (CCE) del pene, registrando un total de 2.210 nuevos diagnósticos. A pesar de los notables avances en tratamientos, las tasas de mortalidad alcanzaron un preocupante 20%. Esta situación ha resaltado la imperante necesidad de identificar nuevos objetivos para el tratamiento, especialmente centrados en inmunoterapias, poniendo especial énfasis en el marcador PD-L1.
Objetivo
El principal objetivo de este estudio es investigar la relación entre las características patológicas del CCE del pene y la expresión de los marcadores PD-L1 y CD8. Además, se busca entender cómo diferentes variables histológicas pueden influir en la expresión de estos marcadores y, a su vez, determinar el potencial terapéutico de los mismos. Finalmente, se pretende combinar las técnicas tradicionales de histopatología con herramientas modernas de machine learning para obtener insights valiosos que puedan guiar futuras estrategias terapéuticas.
Resultados
Los resultados mostraron que el subtipo histológico tuvo un papel predominante en la expresión de PD-L1 en células tumorales, siendo responsable de un 13.5% en la variabilidad de la expresión. Sin embargo, al combinar este factor con la respuesta del huésped, este porcentaje ascendió al 20%. En cuanto a los linfocitos intratumorales, la respuesta del huésped tuvo un papel destacado, representando un 11.2% en la variabilidad de PD-L1 y un 15% en CD8. En los linfocitos peritumorales, la respuesta del huésped continuó siendo determinante, explicando un 21.1% de la variabilidad en CD8. En resumen, la respuesta del huésped se identificó como un factor determinante en las expresiones de ambos marcadores, PD-L1 y CD8.
Conclusión
El estudio arrojó luz sobre la vital relación entre las características patológicas del CCE del pene y la expresión de los marcadores PD-L1 y CD8. Esta relación subraya el potencial terapéutico de estos marcadores en el tratamiento de esta enfermedad. Además, la combinación de técnicas tradicionales de histopatología con herramientas de machine learning ha permitido obtener perspectivas valiosas para el diseño de futuras estrategias terapéuticas en el tratamiento del CCE del pene.
Metodología
Se recolectaron y analizaron muestras de tejido de 108 pacientes diagnosticados con CCE. Para este análisis, se utilizaron cuatro microarrays tisulares (TMA). Estas matrices permitieron una evaluación detallada de las características histológicas y, además, de las expresiones de PD-L1 y CD8 en las muestras. Paralelamente, se empleó un avanzado modelo de machine learning desarrollado en Python. Este modelo se basó en múltiples pruebas y metodologías estadísticas para determinar las relaciones predictivas entre las expresiones de PD-L1/CD8 y las características patológicas observadas.
| Area | Ciencias de la Salud y Biomedicina |
|---|
