Desarrollo y validación de un modelo de pronóstico basado en patología para pacientes con adenocarcinoma pulmonar...

Área de la Ciencia:

• Patología digital
• Biología computacional
• En el campo de la oncología

Sus antecedentes:

• La predicción precisa del pronóstico es vital para el tratamiento personalizado de pacientes con adenocarcinoma pulmonar (ADAP) sometidos a tratamiento con inhibidores de la tirosina quinasa del receptor del factor de crecimiento epidérmico (EGFR, por sus siglas en inglés).
• Es posible que los modelos de pronóstico existentes no reflejen completamente la complejidad de la progresión de la enfermedad en esta cohorte de pacientes.

Objetivo del estudio:

• Desarrollar y validar un nuevo modelo de pronóstico basado en la patología para predecir la progresión de la enfermedad en pacientes con LUAD tratados con EGFR-TKI.
• Integrar las características patológicas con los factores clínicos para una mayor precisión predictiva.

Principales métodos:

• Análisis retrospectivo de 122 pacientes con LUAD que recibieron tratamiento de primera línea con EGFR-TKI.
• Extracción de las características patológicas de las imágenes de diapositivas enteras teñidas con H&E.
• Aplicación de la regresión mRMR y LASSO Cox para la selección de características y el desarrollo de un PathomicsScore.
• Integración de la puntuación patológica y de los factores clínicos en un modelo predictivo, validado utilizando el AUC, el ROC y las curvas de calibración.

Principales resultados:

• Se identificaron cinco características patológicas clave y se utilizaron para crear un PathomicsScore, estratificando efectivamente a los pacientes en grupos de bajo y alto riesgo.
• El PathomicsScore y el estadio patológico fueron predictores independientes de la progresión de la enfermedad.
• El modelo integrado demostró un fuerte rendimiento predictivo con AUC de 0,789 (entrenamiento) y 0,728 (validación), junto con una alta sensibilidad y especificidad.

Conclusiones:

• El modelo desarrollado basado en la patología predice con precisión la progresión de la enfermedad en pacientes con LUAD tratados con EGFR-TKIs.
• Este modelo facilita estrategias de tratamiento personalizadas al permitir la estratificación del riesgo.
• Los hallazgos destacan el potencial de la patología digital y el análisis computacional para mejorar los resultados oncológicos.