Predicción de la supervivencia total y sin recaída en pacientes con cáncer de mama triple negativo a través de...

Área de la Ciencia:

• En el campo de la oncología
• La bioinformática
• Aprendizaje automático en medicina

Sus antecedentes:

• El cáncer de mama triple negativo (TNBC) es agresivo, representando el 15-20% de los cánceres de mama, con opciones de tratamiento limitadas y altas tasas de recaída.
• La heterogeneidad molecular del TNBC plantea desafíos para la estratificación del riesgo y el tratamiento personalizado.
• El aprendizaje automático no supervisado ofrece potencial para identificar subgrupos homogéneos de TNBC y mejorar las predicciones pronósticas.

Objetivo del estudio:

• Desarrollar modelos predictivos para la supervivencia global (SG) y la supervivencia libre de recaída (SFR) en pacientes con CNT.
• Utilizar prototipos k para la identificación de subgrupos de pacientes y el bosque aleatorio para la predicción de resultados.

Principales métodos:

• Estudio de cohorte retrospectivo de 4808 pacientes con CNT (2012-2024) que analizó las variables clínicas, demográficas y biomoleculares.
• Algoritmo de prototipos K para el agrupamiento de pacientes; bosque aleatorio para el entrenamiento y la evaluación de modelos predictivos (AUC, sensibilidad, especificidad).
• Análisis de regresión de Cox para identificar los factores de riesgo de mortalidad y recaída.

Principales resultados:

• Se identificaron cuatro grupos de riesgo distintos; mortalidad general del 28, 8%, recaída del 40, 9% (mediana de seguimiento de 8, 46 años).
• El grupo de mayor riesgo (42,3% de mortalidad, 54,2% de recaída) asociado con un estado funcional deficiente (ECOG ≥3) y con mutaciones BRCA1/ 2 (71%).
• El modelo forestal aleatorio logró una precisión del 80% para la mortalidad (AUC=0,78) y del 75% para la recaída (AUC=0,76), con ECOG, BRCA1/ 2 y PD-L1 como predictores clave.

Conclusiones:

• El aprendizaje automático estratifica efectivamente a los pacientes con TNBC, superando los modelos tradicionales.
• La carga comórbida y los biomarcadores tumorales (BRCA1/2, PD-L1) son cruciales para la predicción de los resultados.
• Se recomienda la validación prospectiva para mejorar la aplicabilidad clínica, reconociendo el carácter retrospectivo y la falta de datos transcriptómicos.