Video Experimental Relacionado
Updated: May 8, 2026

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Predicción de la respuesta tumoral a TACE más lenvatinib y inhibidores de PD-1 para el HCC no resecable: un estudio
Li-Wei Deng1, Qing-Yun Xie2, Bo Peng3
1Department of Interventional Therapy, Sichuan Clinical Research Center for Cancer, Sichuan Cancer Hospital & Institute, Sichuan Cancer Center, University of Electronic Science and Technology of China, Chengdu, China.
Un nuevo modelo de EAPTT predice con precisión la respuesta al tratamiento en pacientes con carcinoma hepatocelular no resecable (uHCC) que reciben quimioembolización transarterial (TACE), lenvatinib y inhibidores de la muerte programada-1 (TLP). Esta herramienta ayuda a identificar candidatos óptimos para mejorar los resultados de supervivencia.
Área de la Ciencia:
- Oncología hepatobiliar
- Investigación traslacional sobre el cáncer
- Modelado predictivo clínico
Sus antecedentes:
- La identificación de pacientes con carcinoma hepatocelular no resecable (uHCC) que responderán a la quimioembolización transarterial (TACE) más lenvatinib y inhibidores de la muerte programada-1 (TLP) es crucial para la optimización del tratamiento.
- Los métodos actuales para predecir la respuesta al tratamiento en uHCC son limitados, lo que requiere el desarrollo de herramientas predictivas más precisas.
Objetivo del estudio:
- Desarrollar y validar un modelo predictivo para la respuesta objetiva del tumor al tratamiento con TLP en pacientes con UHCC.
- Identificar las variables clínicas clave que predicen de forma independiente la respuesta al tratamiento en pacientes con CCHH que reciben tratamiento con TLP.
Principales métodos:
- Se desarrolló un modelo de nomograma, denominado modelo EAPTT, utilizando regresión logística multivariada en una cohorte de entrenamiento (n=107) de pacientes con uHCC tratados con TLP.
- El rendimiento del modelo se validó internamente (n=46) y externamente (n=52) utilizando el área bajo la curva (AUC) y las curvas de calibración.
- Los predictores clave identificados incluyeron el estado de rendimiento del Grupo de Oncología Cooperativa del Este, el grado de albúmina-bilirrubina, la proporción de plaquetas a linfocitos, la distribución tumoral y la bilirrubina total.
Principales resultados:
- El modelo EAPTT demostró una alta precisión predictiva con AUC de 0,84, 0,90 y 0,85 en las cohortes de entrenamiento, validación interna y validación externa, respectivamente.
- El modelo EAPTT superó significativamente a otros siete modelos predictivos en la predicción de la respuesta al tratamiento.
- La estratificación por el modelo EAPTT reveló diferencias significativas en la supervivencia libre de progresión y en la supervivencia global entre los pacientes con respuesta prevista y los que no respondieron.
Conclusiones:
- El modelo EAPTT proporciona una herramienta robusta y validada para predecir la respuesta al tratamiento en pacientes con CCHH que reciben tratamiento con TLP.
- Este modelo puede ayudar a los médicos a estratificar con precisión la eficacia del paciente e identificar candidatos óptimos para el tratamiento de TLP.
- El modelo EAPTT tiene el potencial de personalizar las estrategias de tratamiento y mejorar los resultados para los pacientes con UHCC.
Más Videos Relacionados
06:38An Oncogenic Hepatocyte-Induced Orthotopic Mouse Model of Hepatocellular Cancer Arising in the Setting of Hepatic Inflammation and Fibrosis
Published on: September 12, 2019
09:11Y-90 Radioembolization and PD-1 Inhibitor as Neoadjuvant Treatment in Hepatocellular Carcinoma
Published on: May 24, 2024