Ponente
Descripción
El carcinoma de células escamosas del pene (CCEP) es una malignidad que muestra resultados clínicos variados según la población. Esta variabilidad ha impulsado la necesidad de herramientas predictivas confiables. En este contexto, surge el Índice Pronóstico (IP), una herramienta que integra criterios histológicos esenciales, como el grado histológico, el nivel de infiltración y la invasión perineural. Con la meta de validar el IP en diferentes geografías, este estudio se centró en dos poblaciones: Brasil y México, empleando avanzadas técnicas de machine learning. El objetivo principal fue determinar la capacidad del IP para predecir metástasis y mortalidad en CCEP en estas dos regiones. A través del análisis de dos conjuntos de datos (193 casos en Brasil y 150 en México), se utilizó el algoritmo Random Forest. Este algoritmo, combinado con técnicas de validación cruzada, garantizó resultados robustos y precisos, evaluados a través de métricas como precisión, exactitud, exhaustividad y puntuación F1. El análisis reveló que, aunque el IP es una herramienta prometedora, su precisión varía según la región. En Brasil, el IP mostró una precisión del 64% y 67% para metástasis y muerte, respectivamente. En contraste, en México, la precisión alcanzó el 87% en ambas categorías. Estas diferencias ponen de manifiesto la influencia de factores regionales y demográficos en las predicciones del IP. En conclusión, este estudio subraya la necesidad de validar herramientas predictivas como el IP en diferentes contextos geográficos. Aunque el IP demostró ser efectivo, especialmente en la población mexicana, su aplicabilidad en otros contextos, como el brasileño, mostró variaciones. Para un entendimiento más completo del potencial del IP, se sugiere incorporar más datos de diferentes regiones en investigaciones futuras.
Introducción
El carcinoma de células escamosas del pene (CCEP) se presenta con variabilidad en sus resultados clínicos en diferentes poblaciones. Esta heterogeneidad impulsa la búsqueda de herramientas predictivas sólidas. El Índice Pronóstico (IP) surge como una de esas herramientas, combinando elementos histológicos clave como el grado, nivel de infiltración y la invasión perineural. Ante la diversidad geográfica y demográfica, este estudio tiene como objetivo validar la capacidad predictiva del IP en dos poblaciones distintas: Brasil y México, utilizando técnicas avanzadas de machine learning.
Objetivo
El propósito principal es evaluar el IP como herramienta pronóstica para prever metástasis y mortalidad relacionada con el CCEP en dos contextos regionales distintos. Se busca entender las similitudes y diferencias en la potencia predictiva del IP entre las cohortes de Brasil y México.
Conclusión
Este estudio resalta la importancia de validar herramientas pronósticas como el IP en múltiples contextos. Aunque el IP demostró ser una herramienta valiosa, especialmente en la población mexicana, su aplicabilidad varió en la cohorte brasileña, sugiriendo que factores regionales y demográficos pueden influir en su potencia predictiva. Se recomienda la inclusión de más cohortes geográficas en futuras investigaciones para obtener una imagen más holística.
Resultados
Los resultados reflejaron las diferencias intrínsecas entre las poblaciones estudiadas. Mientras que en la cohorte brasileña, el IP demostró una precisión del 64% y 67% para metástasis y muerte respectivamente, en el conjunto mexicano, estas cifras se elevan al 87% para ambas variables. Esta disparidad subraya la influencia de factores regionales y demográficos en la potencia predictiva del IP.
Metodología
Se analizaron dos conjuntos de datos: uno brasileño con 193 casos y otro mexicano con 150 casos. Se optó por el algoritmo Random Forest debido a su capacidad de manejar datos complejos y ofrecer resultados interpretables. Además de la división tradicional de entrenamiento y prueba, se emplearon técnicas de validación cruzada para garantizar la robustez del modelo. Las métricas de rendimiento, como precisión, exactitud, exhaustividad y puntuación F1, ofrecieron una vista detallada del desempeño predictivo del modelo en ambos contextos.
| Area | Ciencias de la Salud y Biomedicina |
|---|
