CAPÍTULO IV: RESULTADOS Y DISCUSIÓN
4.3 Sensibilidad y especificidad de los biomarcadores individuales (curvas ROC).52
4.4.3 Optimización de las proteínas biomarcadoras utilizadas para
y un ABC de 0.964 (ver Figura 23), lo que indica que la RNA3 permitió incrementar la sensibilidad un 18.31%, con respecto al mejor marcador individual.
1 - Especificidad
0.0 0.2 0.4 0.6 0.8 1.0
Sensibilidad
0.0 0.2 0.4 0.6 0.8 1.0
Cyfra 21-1
RNA ( Cyfra 21-1, CEA, CA125 and CRP )
Figura 23. Comparación del desempeño de la RNA entrenada con cuatro biomarcadores y el mejor biomarcador individual, Cyfra 21-1.
En la literatura se han reportado diversos paneles de biomarcadores para detectar cáncer de pulmón y de mama, así como para clasificar las etapas de melanoma. En estos trabajos se reporta el empleo de diversas herramientas estadísticas y de la inteligencia artificial. En la Tabla 10 se pueden apreciar algunos de los paneles propuestos.
Tabla 10. Paneles de biomarcadores propuestos en otros trabajos para detección de cáncer.
Autor Panel Especificidad
(%)
Sensibilidad
(%) Uso
Schnider y cols, 2002 Cyfra 21-1, NSE y CRP 95 92 Diagnóstico cáncer de pulmón
Leidinger y cols, 2010 macroarreglo (1827 péptidos)
85.7 97.8 Diagnóstico cáncer de pulmón
Lancashire y cols, 2005 27 péptidos 95.3 94.9 Estadio melanoma
Zhang y cols, 2009 5 péptidos 82.5 82.5 Diagnóstico cáncer
de mama
Patz y cols, 2007 CEA, RBP, SCC y AT 84.7 89.3 Diagnóstico cáncer de pulmón
Farlow y cols, 2010 TNFa, Cyfra 21-1, MMP-2, IL-1ra, MCP, sE-selectina
85.5 84.8 Diagnóstico cáncer de pulmón
Farlow y cols, 2010 IMPDH, PGAM, HSP70-9B, Ubiquilina, A1 y A2
91.1 94.8 Diagnóstico cáncer de pulmón
SCC = Antígeno de células escamosas, TNF= Factor de necrosis tumoral, MMP-2 =Metaloproteinasa de matriz 2, IL-1ra
= antagonista del receptor de Interleucina 1, MCP = proteína quimiotáctica de monocitos 1, IMPDH = inosina-5- monofosfato deshidrogenasa, PGAM = fosfoglicerato mutasa, HSP70-9B = Proteína de choque térmico 70-9B , A1
=Anexina 1 y A2 = Anexina 2.
Las proteínas Cyfra 21-1 y CRP en esta tesis demostraron ser biomarcadores confiables que se pueden asociar al cáncer de pulmón, además coinciden con las reportadas por Schneider y cols (2002). Estos autores aplicaron lógica difusa como herramienta para mejorar la eficiencia diagnóstica de marcadores tumorales en cáncer de pulmón.
Utilizaron un panel de tres biomarcadores: Cyfra 21-1, NSE, y CRP que fueron medidos en 175 pacientes con cáncer de pulmón del tipo histológico NSCLC y diferentes etapas, comparando los resultados con 120 sujetos control (27 con EPOC, 65 con neumoconiosis, y 11 personas con diferentes enfermedades pulmonares inflamatorias). Con la lógica difusa lograron incrementar la sensibilidad aproximadamente un 20% con respecto al mejor biomarcador, Cyfra 21-1, que presentó un 72% de sensibilidad. Esta herramienta de la inteligencia artificial permitió obtener una sensibilidad del 92%, mientras que nuestra RNA3 presentó una sensibilidad del 94.5%.
En otro estudio, Leidinger y cols (2010) desarrollaron una prueba basada en máquinas de soporte vectorial (Support Vector Machines, SVM) para distinguir entre pacientes con cáncer de pulmón y sujetos control, usando un arreglo de antígenos peptídicos obteniendo una elevada tasa de clasificación (97.8% de sensibilidad, auna especificidad del 85.7%). Aunque con esta metodología lograron una sensibilidad y especificidad
prueba se basó en un macroarreglo que consistió de 1,827 clonas de antígenos peptídicos, la cual representaría un costo muy elevado si se considera en la práctica clínica rutinaria.
Las RNAs en cáncer de pulmón se han utilizado para analizar la morfología de los tumores y clasificar el tipo histopatológico (Zhou y cols. 2002), sin embargo, hasta el momento no existen reportes publicados donde se empleen las RNAs para diagnóstico de cáncer de pulmón. Las RNAs se han aplicado en otros tipos de cáncer para determinar la etapa clínica del melanoma, así como para diferenciar pacientes con cáncer de mama, de pacientes sanos.
En un estudio realizado por Lancashire en el 2005, utilizaron RNAs para discriminar estadios clínicos en melanoma. Como entradas de la RNA emplearon los perfiles proteómicos de SELDI (Surface Enhanced Laser/Desorption Ionization) MS (Mass Spectrometry). La arquitectura de la RNA consistió de 2 neuronas en la capa oculta y una en la capa de salida. Sus salidas fueron codificadas como 1=etapa I y 2= etapa IV de melanoma. El mejor modelo resultante fue con 27 biomarcadores de entrada para la RNA, después de este número no observaron una mejoría significativa. Para comparar la capacidad de la RNA en la discriminación entre estadio IV y I de melanoma, generaron una curva ROC que presentó una sensibilidad y especificidad del 94.9% y 95.3%, respectivamente, donde la sensibilidad del modelo fue la capacidad de clasificar correctamente la etapa IV de melanoma, mientras que la especificidad fue el porcentaje de muestras en etapa I clasificadas correctamente. Con el trabajo desarrollado por estos autores se puede confirmar que combinando múltiples biomarcadores mediante las RNAs es posible incrementar tanto la sensibilidad como la especificidad para una prueba diagnóstica.
En un trabajo similar publicado en el 2009, Zhang y cols, desarrollaron un panel que consta de cinco biomarcadores, basados en perfiles proteómicos. Con el uso de RNAs y curvas ROC logran determinar un conjunto de biomarcadores para diferenciar pacientes con cáncer de mama con un 82.5% de especificidad y sensibilidad. En este estudio, adicionalmente al panel demostraron que usar dos neuronas en la capa de salida de la RNA permite obtener mejores resultados. En la RNA3 que nosotros empleamos obtuvimos de igual manera una mejor clasificación cuando se tienen dos neuronas en la capa de salida, esto quizás sea debido a la capacidad de la capa oculta de tomar ventaja para
propagar el error efectivamente a través de las dos neuronas en la capa de salida de la RNA.
En resumen 14 proteínas fueron evaluadas en conjunto para incrementar la eficiencia de detección para cáncer de pulmón. Tres RNAs fueron usadas y mejoradas para clasificar con precisión pacientes con cáncer de pulmón y controles. El análisis PCA y las diferentes combinaciones en las entradas de la RNA permitieron reducir el número de biomarcadores. La RNA entrenada con sólo 4 proteínas fue capaz de clasificar correctamente 134 de los 150 sujetos involucrados en el estudio. Con esta RNA se incrementó la sensibilidad en un 18.31% comparado con el mejor biomarcador Cyfra 21-1.
En la siguiente sección se comparará el resultado de la RNA3 con algunas técnicas estadísticas multivariadas.