Modelos de aprendizaje automático para diagnosticar el carcinoma de células escamosas oral basados en firmas...

Área de la Ciencia:

• Investigación del Microbioma
• Oncología Oral
• Biomarcadores Diagnósticos

Sus antecedentes:

• Se reconoce cada vez más el papel del microbioma salival en el carcinoma de células escamosas oral (CCOE).
• La investigación existente carece de estudios entre cohortes y de un modelo de diagnóstico no invasivo para el CCOE.
• Se necesita un enfoque diagnóstico robusto y no invasivo para el CCOE.

Objetivo del estudio:

• Investigar las diferencias en la composición microbiana de la saliva entre pacientes con CCOE y personas sanas.
• Desarrollar y validar un modelo de diagnóstico no invasivo entre cohortes para el CCOE utilizando datos del microbioma salival.
• Evaluar el rendimiento diagnóstico de varios modelos de aprendizaje automático.

Principales métodos:

• Se analizaron datos del microbioma salival entre cohortes de 665 individuos (311 pacientes con CCOE, 354 controles sanos).
• Se identificaron microorganismos significativamente alterados en pacientes con CCOE.
• Se construyeron y validaron modelos de aprendizaje automático (Random Forest, Extra Trees, Gradient Boosting, XGBoost) para el diagnóstico de CCOE.

Principales resultados:

• Se observaron diferencias significativas en la composición microbiana de la saliva entre pacientes con CCOE y personas sanas.
• Siete microorganismos específicos se redujeron significativamente y siete aumentaron significativamente en pacientes con CCOE.
• Los modelos de aprendizaje automático lograron una alta precisión diagnóstica (AUC 63,1 %–96,9 %) tanto a nivel de género como de especie.

Conclusiones:

• Es factible un modelo de diagnóstico no invasivo y robusto para el CCOE utilizando datos del microbioma salival.
• Se puede lograr una alta precisión diagnóstica independientemente de la resolución taxonómica, lo que enfatiza la selección del modelo.
• La elección del modelo de aprendizaje automático es fundamental para la aplicación clínica en el diagnóstico de CCOE.