Ponente
Descripción
El carcinoma de células escamosas del pene (CCEP) es un cáncer poco común pero desafiante en términos de manejo y pronóstico. La variabilidad en los resultados de los pacientes resalta la necesidad de mejores predictores. Esta investigación evalúa variables clínicas y patológicas, incluyendo densidad de ganglios linfáticos, grado histológico, invasión linfovascular (ILV) e invasión perineural (IPN), como indicadores de pronóstico. Se aplicaron técnicas de machine learning para desarrollar modelos de regresión logística para cada variable. Estos modelos se entrenaron y validaron con datos clínicos para evaluar su poder predictivo individual y combinado. Los resultados fueron reveladores: tanto ILV como IPN fueron fuertes predictores de resultados adversos, destacando su influencia en la capacidad metastásica. Sorprendentemente, la densidad de ganglios linfáticos, a pesar de ser considerada históricamente un indicador fuerte, mostró una capacidad predictiva ligeramente menor en este estudio. En resumen, este estudio destaca la importancia crítica de ILV e IPN en la estratificación del riesgo en pacientes con CCEP y proporciona una base sólida para decisiones terapéuticas, asegurando un tratamiento más adecuado según el perfil de riesgo individual de los pacientes.
Objetivo
El estudio tuvo como objetivo principal determinar la eficacia predictiva de la densidad de ganglios linfáticos, grado histológico, ILV e IPN en relación con enfermedades y muertes asociadas al CCSP. Buscó también elucidar cuál de estas variables proporciona la mayor precisión predictiva y, por ende, podría ser de mayor utilidad en la toma de decisiones clínicas.
Introducción
El carcinoma de células escamosas del pene (CCEP) es una neoplasia infrecuente cuyo pronóstico puede variar considerablemente entre pacientes. Ante esta variabilidad, es esencial contar con herramientas predictivas precisas para la adecuada planificación terapéutica. En este contexto, se exploró el potencial predictivo de determinadas variables clínicas y patológicas, incluyendo la densidad de ganglios linfáticos, el grado histológico, la invasión linfovascular (ILV) y la invasión perineural (IPN), para anticipar desenlaces adversos en pacientes con CCSP.
Conclusión
Este estudio, a través de técnicas avanzadas de machine learning, destaca la importancia y la potencia predictiva diferencial de diversas variables en el contexto del CCEP. Mientras que la IPN y la ILV emergen como potentes herramientas predictivas, la densidad de ganglios linfáticos, aunque relevante, podría requerir una combinación con otras variables para mejorar su capacidad predictiva. Estos hallazgos pueden ser cruciales en la estratificación del riesgo y en la toma de decisiones terapéuticas para pacientes con CCEP.
Metodología
Se recolectaron y procesaron datos relacionados con las cuatro variables de interés. Para abordar valores faltantes en la densidad de ganglios linfáticos, se imputaron mediante la mediana. Las variables categóricas se transformaron mediante codificación one-hot. Posteriormente, se construyeron modelos de regresión logística para cada predictor frente a los desenlaces. Se adoptó una estrategia de división de datos 70-30 para el entrenamiento y la validación de modelos. Las métricas de rendimiento seleccionadas incluyeron precisión, exactitud, exhaustividad, puntuación F1 y área bajo la curva ROC (ROC-AUC).
Resultados
Los análisis revelaron diferencias significativas en la capacidad predictiva de las variables estudiadas. En la predicción de enfermedad relacionada con el cáncer, la IPN demostró ser el predictor más robusto, seguido de la ILV y el grado histológico. La densidad de ganglios linfáticos, aunque relevante, mostró una menor precisión en comparación con las demás variables. Similarmente, en la predicción de muerte relacionada con el cáncer, el grado histológico y la ILV se posicionaron como los principales predictores.
| Area | Ciencias de la Salud y Biomedicina |
|---|
