Estimación de la supervivencia global de los pacientes con glioblastoma utilizando las variables clínicas, el tamaño...

Área de la Ciencia:

• Neuro-oncología
• Análisis de imágenes médicas
• Aprendizaje automático en la salud

Sus antecedentes:

• El pronóstico preciso del glioblastoma es vital para la planificación eficaz del tratamiento y la mejora de los resultados del paciente.
• Este estudio explora el valor pronóstico de las variables clínicas, el tamaño del tumor y la ubicación en el glioblastoma.
• La identificación de factores pronósticos confiables puede mejorar las estrategias de manejo de la enfermedad.

Objetivo del estudio:

• Evaluar la importancia pronóstica de las variables clínicas, el tamaño y la ubicación del tumor para la supervivencia del paciente con glioblastoma.
• Comparar el rendimiento de diferentes modelos de regresión de supervivencia en la predicción de la supervivencia global.
• Determinar la etapa óptima para la evaluación del pronóstico en la trayectoria de tratamiento del paciente.

Principales métodos:

• Un estudio multicéntrico retrospectivo incluyó a 1318 pacientes con glioblastoma.
• Se analizaron los datos de resonancia magnética pre y postoperatoria para determinar el tamaño, la ubicación y el volumen residual del tumor.
• Se aplicaron modelos de predicción de la supervivencia (CoxPH, bosques aleatorios de supervivencia, DeepSurv) y se evaluaron utilizando el índice C y las puntuaciones Brier.

Principales resultados:

• El análisis multivariable de Cox confirmó las variables clínicas y el tamaño del tumor como predictores significativos de la supervivencia.
• El modelo DeepSurv demostró un rendimiento superior en todos los puntos de tiempo, con puntuaciones de índice C del 61,71% al 70,29%.
• Las puntuaciones de obstáculo integradas para DeepSurv oscilaron entre el 7,63% y el 8,57%.

Conclusiones:

• Las variables clínicas, el tamaño y la ubicación del tumor son valiosos indicadores de pronóstico para el glioblastoma.
• Un modelo de supervivencia profunda que integra todas las variables ofrece la mejor precisión predictiva, particularmente en la etapa de planificación de la quimioradioterapia.