[Un modelo predictivo multimolecular para la metástasis de ganglios linfáticos en el carcinoma de tiroides papilar...

Área de la Ciencia:

• Oncología Oncología.
• La genómica es la genómica.
• La bioinformática es la bioinformática.

Sus antecedentes:

• La evaluación precisa del estado de la metástasis preoperatoria de los ganglios linfáticos (MNL) en el carcinoma papilar de tiroides (CTP) es crucial para el tratamiento personalizado, pero los métodos actuales tienen limitaciones.
• La identificación de biomarcadores moleculares confiables puede mejorar significativamente la precisión de la predicción LNM en PTC.

Objetivo del estudio:

• Para identificar biomarcadores moleculares clave asociados con LNM en PTC.
• Para construir y validar modelos de predicción de riesgo de LNM utilizando algoritmos de aprendizaje automático (ML).
• Evaluar la utilidad clínica de estos modelos para la toma de decisiones preoperatorias en pacientes con PTC.

Principales métodos:

• Se analizaron datos transcriptómicos de 457 pacientes con PTC (TCGA) utilizando DESeq2, edgeR, Limma y WGCNA para identificar genes asociados con LNM.
• La regresión LASSO seleccionó 11 genes de firma de núcleo, formando un modelo de regresión logística multivariado (Modelo 2).
• El rendimiento del modelo se evaluó utilizando curvas ROC, matrices de confusión, curvas de calibración, DCA y validación cruzada a través de seis algoritmos ML.

Principales resultados:

• Se identificaron once genes de firma (PI15, IL11, PLA2G5, LY6G6C, FAM178B, MUC21, FN1, PDZK1IP1, STAC2, TMPRSS4, WARS1P1) y mostraron una mayor expresión en pacientes con LNM.
• El Modelo 2 demostró un rendimiento predictivo robusto con AUC de 0.802 (entrenamiento) y 0.793 (validación), mostrando estabilidad entre sexos.
• El modelo exhibió un fuerte acuerdo entre las probabilidades predichas y observadas de LNM y mostró una utilidad clínica potencial, particularmente en umbrales de riesgo más bajos.

Conclusiones:

• Un modelo optimizado de regresión logística de 11 genes predice efectivamente el riesgo de LNM en pacientes con PTC.
• El modelo demuestra un rendimiento robusto, estabilidad entre sexos y compatibilidad con varios algoritmos de ML.
• Este modelo predictivo tiene potencial como una herramienta de apoyo a la decisión preoperatoria para la evaluación de LNM y la planificación del tratamiento personalizado en PTC.