Biomarkers for detection of relapses on patients with prostate tumour operated by radical prostatectomy

Abstract

Este estudo teve como objetivo investigar a influência dos biomarcadores clínicos, histológicos e de ressonância magnética na avaliação da recidiva bioquímica em pacientes com cancro da próstata submetidos a prostatectomia radical (PR). A pesquisa envolveu uma análise estatística abrangente dos dados de ressonância magnética (RM) adquiridos de pacientes com cancro de próstata no Departamento de Radiologia do Hospital da Luz, em Lisboa. A prostatectomia radical é considerada a principal intervenção cirúrgica para o tratamento do cancro de próstata localizado, envolvendo a remoção completa da próstata e tecidos circundantes. A (RM) é uma técnica de imagem não invasiva que fornece informações detalhadas, tanto anatómicas como funcionais, sobre a próstata, permitindo a avaliação das características do tumor. Através da análise estatística abrangente dos dados de RM e da avaliação dos biomarcadores clínicos, histológicos e de RM, este estudo teve como objetivo obter uma compreensão mais aprofundada dos fatores que contribuem para a recidiva bioquímica nos pacientes após prostatectomia radical. Os resultados desta investigação têm o potencial de melhorar a estratificação de risco, auxiliar na tomada de decisões de tratamento e, em última instância, contribuir para melhores resultados para os pacientes no tratamento do cancro da próstata. O cancro da próstata é um problema de saúde global significativo, representando uma das principais causas de mortalidade em todo o mundo. Apesar de extensas pesquisas e ensaios clínicos conduzidos ao longo de várias décadas, as estratégias de tratamento eficazes para o cancro da próstata permanecem um desafio. A natureza complexa da doença, juntamente com a sua heterogeneidade e diferentes apresentações clínicas, dificulta o desenvolvimento de intervenções direcionadas e universalmente bem-sucedidas. Fatores de risco reconhecidos desempenham um papel crucial no desenvolvimento e progressão do cancro da próstata. A história familiar da doença, especialmente em parentes de primeiro grau, tem sido identificada como um fator de risco significativo, sugerindo um potencial componente genético. A etnia também desempenha um papel, com certas populações, como homens afrodescendentes, apresentando taxas de incidência e mortalidade mais elevadas em comparação com outros grupos étnicos. A idade avançada é outro fator de risco proeminente, uma vez que o cancro da próstata afeta principalmente indivíduos mais velhos. A identificação precoce e o diagnóstico do cancro da próstata são vitais para obter melhores resultados no tratamento. Atualmente, três métodos principais são utilizados para a deteção: teste do antígeno específico da próstata (PSA), exame retal digital (ERD) e técnicas de imagem. O teste de PSA mede os níveis de uma proteína específica, chamada antígeno específico da próstata, no sangue. A presença de níveis elevados de PSA pode indicar a existência de anormalidades na próstata, incluindo cancro. No entanto, embora o teste de PSA seja amplamente utilizado, tem limitações, como a falta de especificidade e potencial para resultados falsos-positivos, o que tem gerado discussões sobre a forma ideal de utilização e a necessidade de abordagens diagnósticas complementares. O ERD é um exame físico realizado por um profissional de saúde para avaliar o tamanho, forma e textura da próstata. Embora menos sensível que o teste de PSA, o toque retal pode detetar anormalidades palpáveis, como nódulos ou irregularidades, que podem indicar a presença de cancro da próstata. A combinação do teste de PSA e ERD pode aumentar a taxa de deteção do cancro da próstata, pois cada método fornece informações complementares. As técnicas de imagem desempenham um papel crucial no diagnóstico e estadiamento do cancro da próstata. A ultrassonografia transretal (UST) permite a visualização da próstata e a identificação de áreas suspeitas que podem requerer uma investigação mais aprofundada. A RM ganhou uma atenção considerável nos últimos anos devido à sua superior resolução de tecidos moles e capacidade de detetar e caracterizar tumores da próstata. A RM é particularmente valiosa na avaliação do tamanho, localização e extensão extracapsular do tumor, fornecendo informações essenciais para o planeamento do tratamento e prognóstico. Estas ferramentas de diagnóstico desempenham um papel vital na deteção, avaliação e tratamento do cancro da próstata, permitindo abordagens de tratamento personalizadas. Este estudo foca-se na avaliação do impacto de vários biomarcadores clínicos, histológicos e de ressonância magnética na previsão de recidiva bioquímica após prostatectomia radical. Para selecionar os preditores mais relevantes, foi utilizada uma abordagem de seleção stepwise. Por meio desse processo iterativo, a análise de regressão logística identificou três preditores significativos: volume da próstata, índice de tamanho da lesão e protuberância capsular lisa. O volume da próstata, como indicador do tamanho do tumor, teve um impacto direto na progressão da doença e na probabilidade de recidiva. O índice do tamanho da lesão, consistentemente associado ao prognóstico do cancro da próstata e à previsão de recidiva, demonstrou importância como preditor de risco de recidiva. A presença da protuberância capsular lisa, indicando extensão tumoral além da cápsula prostática, aumentou ainda mais o risco de recidiva. Utilizando o método de seleção de variáveis stepwise, o modelo de regressão logística foi capaz de selecionar os preditores mais relevantes para prever a recidiva bioquímica em pacientes após prostatectomia radical. Esse método permitiu uma exploração eficiente e sistemática dos potenciais preditores, permitindo que apenas as variáveis mais significativas fossem retidas no modelo final. O volume da próstata, o tamanho da lesão índice e a protuberância capsular lisa surgem como preditores significativos, fornecendo informações valiosas sobre a progressão da doença e os riscos de recidiva. Ao incorporar esses biomarcadores na tomada de decisões clínicas, os profissionais de saúde podem melhorar a estratificação de risco e personalizar as estratégias de tratamento para pacientes com cancro da próstata. A análise de sobrevivência, uma técnica estatística valiosa, foi aplicada neste estudo para complementar os resultados da regressão logística e explicar a natureza do tempo até o evento de recidiva. Ao contrário da regressão logística, que se concentra em resultados binários, a análise de sobrevivencia considera o tempo necessário para que um evento ocorra, como a recidiva bioquímica. Ao analisar o declínio gradual na probabilidade de sobrevivência ao longo do tempo, essa análise fornece informações sobre o aumento do risco de recidiva com períodos prolongados após a cirurgia. O declínio observado na probabilidade de sobrevivência salienta a importância da vigilância contínua e intervenções oportunas para mitigar o risco de recidiva em pacientes com tumores de próstata. O cancro da próstata pode apresentar taxas variadas de progressão e recorrência, tornando o monitoramento regular crítico para detetar quaisquer sinais de recidiva. A vigilância rigorosa permite que os profissionais de saúde intervenham prontamente e implementem estratégias de tratamento adequadas, potencialmente melhorando os resultados dos pacientes e prolongando a sobrevida. O modelo de Random Survival Forests, usado neste estudo, mostrou uma precisão moderada na previsão da recidiva. É uma técnica de machine learning que utiliza um conjunto de decision trees para fazer previsões. A sua capacidade de lidarem com interações complexas e capturar relações não lineares entre os preditores torna-as uma ferramenta promissora para prever recidivas em pacientes com cancro da próstata. No entanto, embora o modelo de Survival Forest tenha demonstrado potencial, o desempenho geral dos modelos na previsão de recidivas ficou aquém das expectativas. Vários fatores podem ter contribuído para essas limitações. A heterogeneidade da população-alvo, composta por pacientes com diversas características clínicas e perfis tumorais, pode introduzir complexidade e dificultar a precisão da predição. Além disso, as restrições de tamanho da amostra podem limitar a generalização dos resultados. O cancro da próstata é uma doença multifacetada com vários fatores que influenciam a recidiva, tornando assim difícil capturar todos os preditores relevantes dentro do tamanho da amostra. Para aumentar a precisão da previsão, pesquisas futuras devem explorar abordagens alternativas de modelagem. Técnicas de seleção de recursos, que identificam o subconjunto mais informativo de preditores, podem ajudar a identificar as principais variáveis que levam à recidiva. As neural networks, com a sua capacidade de capturar padrões complexos e relacionamentos não lineares, podem fornecer mais informações sobre a previsão de recidivas. A análise de árvores de decisão, uma abordagem de modelagem intuitiva e interpretável, pode oferecer informações valiosas sobre as relações hierárquicas entre os preditores. Ao considerar essas abordagens de modelagem alternativas, os investigadores podem expandir a compreensão da previsão de recidivas no cancro da próstata. Essa exploração pode levar ao desenvolvimento de modelos de previsão mais precisos, permitindo uma melhor estratificação de risco e estratégias de tratamento personalizadas para os pacientes. Em conclusão, este estudo contribui com informações valiosas para a identificação de biomarcadores para a deteção da recidiva bioquímica em pacientes com tumores de próstata após PR. Os achados destacam a importância de considerar as características do tumor, incluindo o volume da próstata, o índice do tamanho da lesão e a protuberância capsular lisa, na avaliação do risco de recidiva. Além disso, o estudo realça a necessidade da realização de futuros estudos para aprofundar a compreensão da recorrência bioquímica.

This study aimed to investigate the influence of clinical, histologic, and MRI biomarkers on the evaluation of biochemical relapse in patients with prostate tumors who underwent radical prostatectomy (RP). The study involved a statistical analysis of MRI data acquired from patients with prostate cancer at the Radiology Department of the Hospital da Luz, Lisbon. The logistic regression analysis identified three significant predictors of biochemical recurrence: prostate volume, index lesion size, and smooth capsular bulging. These variables demonstrated a strong association with the likelihood of relapse. Prostate volume serves as an indicator of tumor size, while index lesion size has consistently been linked to prostate cancer prognosis and relapse prediction. The extension of the tumor beyond the prostate capsule, known as smooth capsular bulging, was also associated with an increased risk of recurrence. Survival curve analysis showed a gradual decline in the survival probability over time, emphasizing an increased risk of relapse with extended post-surgery periods. This highlights the importance of continued surveillance and appropriate interventions to mitigate the risk of relapse in patients with prostate tumors. The random forest model provided moderate prediction accuracy, suggesting its potential as a predictive tool for relapse outcomes. However, the overall performance of the models in predicting relapse fell short of expectations, indicating the complexity and heterogeneity of prostate cancer. Future research should consider alternative models and analytical approaches, such as feature selection techniques, neural networks, and decision tree analysis, to further explore the intricacies of biochemical recurrence and the time until relapse. In summary, this study contributes valuable insights into the identification of biomarkers for relapse detection in patients with prostate tumors who underwent RP. However, further research is necessary to fully unravel the complexities of biochemical recurrence and develop more accurate predictive models.