Modelo bayesiano de predição de risco para mortalidade por câncer colorretal por meio da integração de dados clínico-patológicos e genômicos

Jun 05, 2024

npj Precision Oncology volume 7, número do artigo: 57 (2023) Citar este artigo

1373 Acessos

3 Altmétrico

Detalhes das métricas

O estadiamento de rotina do tumor-nódulo-metástase (TNM) do câncer colorretal é imperfeito na previsão da sobrevivência devido à heterogeneidade patobiológica do tumor e à avaliação imprecisa da disseminação do tumor. Aproveitamos as árvores de regressão aditiva bayesiana (BART), uma técnica de aprendizagem estatística, para analisar de forma abrangente as características tumorais específicas do paciente para a melhoria da previsão prognóstica. De 75 variáveis ​​clinicopatológicas, imunológicas, microbianas e genômicas em 815 pacientes em estágio II-III em dois estudos de coorte prospectivos nos EUA, o modelo de risco BART identificou sete preditores de sobrevivência estáveis. As estratificações de risco (baixo risco, risco intermediário e alto risco) baseadas na sobrevida prevista pelo modelo foram estatisticamente significativas (razões de risco 0,19–0,45, vs. risco mais alto; P <0,0001) e puderam ser validadas externamente usando o Atlas do Genoma do Câncer (TCGA). ) dados (P = 0,0004). O BART demonstrou flexibilidade de modelo, interpretabilidade e desempenho comparável ou superior a outros modelos de aprendizado de máquina. Análises bioinformáticas integradas usando BART com fatores específicos de tumor podem estratificar de forma robusta pacientes com câncer colorretal em grupos prognósticos e ser prontamente aplicadas à prática clínica de oncologia.

O câncer colorretal se desenvolve no contexto de uma interação complexa entre o hospedeiro, os micróbios e as células neoplásicas no microambiente intestinal local1. A previsão de sobrevivência baseada apenas no estadiamento tumor-nódulo-metástase (TNM) é imperfeita devido à heterogeneidade do tumor, bem como à avaliação imprecisa da disseminação do tumor. Em pacientes em estágio II/III, a avaliação de risco tem implicações cruciais no uso de quimioterapia adjuvante, bem como na intensidade e duração do tratamento2,3. Portanto, análises multivariáveis ​​em larga escala de fatores que contribuem para a progressão do tumor são necessárias para prever melhor os resultados de pacientes individuais. Evidências acumuladas indicam que fatores como status de instabilidade de microssatélites tumorais (MSI), mutação BRAF, quantidade de Fusobacterium nucleatum e infiltrados de células T são biomarcadores prognósticos relevantes no câncer colorretal4,5,6. Considerando esses achados, levantamos a hipótese de que a integração das características tumorais e imunológicas com a classificação TNM poderia melhorar um modelo de predição prognóstica no câncer colorretal.

Para utilizar variáveis ​​clinicopatológicas disponíveis na previsão de sobrevivência, implementamos um modelo de classificação de soma de árvores, árvores de regressão aditiva bayesiana (BART). Os métodos de conjunto permitem a modelagem flexível de relações não lineares e interativas entre preditores e variáveis ​​de resultado, mantendo a interpretabilidade do modelo por meio de medidas de importância variável7, e produziram resultados promissores na classificação de subtipos moleculares de tumores, resposta terapêutica e previsão de sobrevivência em vários tipos de câncer8,9,10. O BART estende o paradigma clássico da árvore de conjunto, introduzindo uma distribuição probabilística subjacente a um modelo de soma de árvores, permitindo a regularização inerente. O BART demonstrou desempenho favorável e recursos superiores de seleção de variáveis ​​em comparação com outros métodos de aprendizado de máquina, incluindo floresta aleatória (RF), aumento de gradiente (GB), operador de seleção e contração mínima absoluta (LASSO), spline de regressão adaptativa multivariada e redes neurais artificiais. (ANN)11, e apresentou resultados promissores em estudos anteriores em perfil proteômico, análise de rede reguladora de genes e análise de sobrevivência não paramétrica12,13,14.

Neste estudo, construímos um modelo BART que incorporou componentes do estágio TNM com outros fatores para melhorar a estratificação do risco de mortalidade em pacientes em estágio II/III, utilizando um banco de dados de pacientes com câncer colorretal em dois grandes estudos de coorte prospectivos, nomeadamente o Nurses' Health Study (NHS ) e o Estudo de Acompanhamento de Profissionais de Saúde (HPFS). Confirmamos o bom desempenho do modelo BART, indicado pela curva de características operacionais do receptor (ROC) em comparação com RF, GB e outros métodos de aprendizagem estatística, e validado externamente usando o conjunto de dados The Tumor Genome Atlas (TCGA). Examinamos variáveis ​​que contribuem para os modelos BART em termos de estabilidade de significância por teste de permutação através de validação cruzada quíntupla, bem como dependência parcial do resultado em variáveis ​​importantes. Nosso estudo demonstrou que os modelos de conjunto bayesiano podem integrar uma variedade de fatores específicos do tumor e do paciente para melhorar a previsão de sobrevida e podem servir como ferramentas clínicas para avaliar o risco individual de mortalidade por câncer, adicionando assim precisão ao manejo ideal do paciente.