Predição baseada em aprendizado de máquina do prognóstico de sobrevivência no carcinoma espinocelular de esôfago

Scientific Reports volume 13, Artigo número: 13532 (2023) Citar este artigo

362 Acessos

1 Altmétrico

Detalhes das métricas

As atuais ferramentas prognósticas para o carcinoma espinocelular do esôfago (ESCC) carecem da precisão necessária para facilitar estratégias individualizadas de manejo do paciente. Para resolver esse problema, este estudo foi conduzido para desenvolver um modelo de predição de aprendizado de máquina (ML) para gerenciamento de sobrevivência de pacientes com ESCC. Seis abordagens de ML, incluindo Rpart, Elastic Net, GBM, Random Forest, GLMboost e o método CoxPH estendido de aprendizado de máquina, foram empregadas para desenvolver modelos de previsão de risco. O modelo foi treinado em um conjunto de dados de 1.954 pacientes com ESCC com 27 características clínicas e validado em um conjunto de dados de 487 pacientes com ESCC. O desempenho discriminativo dos modelos foi avaliado através do índice de concordância (índice C). O modelo com melhor desempenho foi utilizado para estratificação de risco e avaliação clínica. O estudo descobriu que estágio N, estágio T, margem cirúrgica, grau do tumor, comprimento do tumor, sexo, VPM, AST, FIB e Mg são características importantes para a sobrevivência dos pacientes com ESCC. O modelo CoxPH estendido com aprendizado de máquina, Elastic Net e Random Forest tiveram desempenho semelhante na previsão do risco de mortalidade de pacientes com ESCC e superaram GBM, GLMboost e Rpart. Os escores de risco derivados do modelo CoxPH estratificaram efetivamente os pacientes com ESCC em grupos de baixo, intermediário e alto risco, com probabilidades distintas de sobrevida global (SG) em 3 anos de 80,8%, 58,2% e 29,5%, respectivamente. Essa estratificação de risco também foi observada na coorte de validação. Além disso, o modelo de risco demonstrou maior capacidade discriminativa e benefício líquido do que o estágio AJCC8, sugerindo seu potencial como ferramenta prognóstica para prever eventos de sobrevivência e orientar a tomada de decisões clínicas. O algoritmo clássico do método CoxPH também se mostrou suficientemente bom para estudos interpretativos.

O câncer de esôfago (CE) é uma das doenças malignas mais letais em todo o mundo, com natureza extremamente agressiva e baixa taxa de sobrevivência. De acordo com estatísticas globais sobre câncer, houve cerca de 572 mil novos casos e 509 mil mortes em 20181. Na China, o carcinoma espinocelular de esôfago (CEC) é o tipo histológico predominante, representando aproximadamente 90% dos casos. O ESCC é caracterizado por rápida progressão e mau prognóstico2,3, com uma taxa de sobrevida em 5 anos de apenas 15,3% em estágios avançados4. Apesar dos avanços nas técnicas cirúrgicas e da incorporação de terapias multimodais nos últimos anos, o prognóstico do ESCC permanece insatisfatório5. Certos biomarcadores para a predição do prognóstico do ESCC podem desempenhar um papel fundamental no manejo clínico de cada paciente e ter implicações importantes na escolha da terapia médica ideal para prevenção secundária6,7,8,9. No entanto, faltam atualmente ferramentas eficazes para o trabalho clínico diário. Portanto, existe uma necessidade urgente de identificar novos biomarcadores prognósticos ou desenvolver um modelo de predição integrado para predição clínica.

Modelos de predição clínica que integram parâmetros clinicopatológicos, índices laboratoriais e resultados de sobrevivência usando big data de grandes coortes de pacientes têm o potencial de orientar a tomada de decisões clínicas e os prognósticos terapêuticos10,11,12. Apesar dos esforços significativos para explorar o prognóstico do ESCC, os modelos prognósticos atuais permanecem imperfeitos13,14,15,16. Estudos anteriores focaram principalmente na avaliação prognóstica de um pequeno número de indicadores clínicos utilizando análises univariadas e multivariadas14,15,16,17. Além disso, a maioria dos modelos de previsão ESCC foram desenvolvidos usando abordagens estatísticas tradicionais, como regressão CoxPH ou regressão logística, sem mecanismos de avaliação adequados para determinar o modelo com melhor desempenho antes da construção do modelo13,14,15,16,17. Além disso, os tamanhos das amostras e os preditores avaliados nesses estudos são frequentemente limitados, levando à baixa reprodutibilidade do desempenho do modelo e à evidência insuficiente para aplicações clínicas14,15,16,17. Portanto, há necessidade de desenvolver modelos de predição mais abrangentes e reprodutíveis para ESCC que possam ser efetivamente utilizados na prática clínica.