Biomarcadores de cáncer pancreático predictores de pancreatitis crónica: análisis mediante aprendizaje automático

Abstract

Introducción: se realizan múltiples investigaciones orientadas a la búsqueda de biomarcadores de cáncer pancreático, que serían útiles para el descarte de patologías pancreáticas crónicas. El objetivo fue analizar y comparar concentraciones de biomarcadores plasmáticos y urinarios de cáncer pancreático en pacientes con pancreatitis crónica, y sanao mediante aprendizaje supervisado y no supervisado. Material y métodos: estudio analítico y transversal basado en una base de datos secundaria. Las variables fueron: pancreatitis crónica, REG1B, REG1A, TFF1 LYV1, creatinina, CA19.9. Se usó las pruebas t de student, correlación de Spearman, análisis de componentes principales, perceptrón multicapa y árbol de decisiones mediante detección automática de interacciones por Chi-cuadrado. Resultados: el promedio de biomarcadores fue mayor en pacientes con pancreatitis crónica. Mediante perceptrón multicapa, los biomarcadores más predictivos fueron: CA19.9, REG1B y TFF-1(eficiencia 91%). El árbol de decisiones clasificó como predictores a TFF-1 y REG1B, (REG1B igual o menor a 12,74ng/ml y TFF1 entre 33,11-339ng/ml) y otro nodo con TFF1 mayor a 339ng/ml. El análisis de componentes principales generó un componente de biomarcadores REG1B, REG1A, TFF1 LYV1 y creatinina, creándose un punto de corte de -0,55 para presencia o ausencia de pancreatitis crónica(sensibilidad:26%, especificidad:93%) Conclusiones: los biomarcadores para cáncer pancreático REG1B, REG1A, TFF1 LYV1, creatinina y CA19.9 se incrementan en pancreatitis crónica. Las herramientas de aprendizaje supervisado permiten predecir y clasificar eficientemente los biomarcadores, siendo TFF1 Y REG1B los más relevantes. Mediante aprendizaje no supervisado, la combinacion de REG1B, REG1A, TFF1 LYV1 y creatinina es altamente específico para descartar inflamación pancreática crónica en sanos.Introduction: multiple investigations are carried out aimed at searching for biomarkers of pancreatic cancer, which would be useful for ruling out chronic pancreatic pathologies. The objective was to analyze and compare concentrations of plasma and urinary biomarkers of pancreatic cancer in patients with chronic pancreatitis, and sanao through supervised and unsupervised learning. Material and methods: analytical and cross-sectional study based on a secondary database. The variables were: chronic pancreatitis, REG1B, REG1A, TFF1 LYV1, creatinine, CA19.9. Student t tests, Spearman correlation, principal component analysis, multilayer perceptron and decision tree were used through automatic detection of interactions by Chi-square. Results: the average of biomarkers was higher in patients with chronic pancreatitis. Using multilayer perceptron, the most predictive biomarkers were: CA19.9, REG1B and TFF-1 (efficiency 91%). The decision tree classified TFF-1 and REG1B as predictors (REG1B equal to or less than 12.74ng/ml and TFF1 between 33.11-339ng/ml) and another node with TFF1 greater than 339ng/ml. The principal component analysis generated a component of biomarkers REG1B, REG1A, TFF1 LYV1 and creatinine, creating a cut-off point of -0.55 for the presence or absence of chronic pancreatitis (sensitivity: 26%, specificity: 93%) Conclusions: the biomarkers for pancreatic cancer REG1B, REG1A, TFF1 LYV1, creatinine and CA19.9 are increased in chronic pancreatitis. Supervised learning tools allow efficient prediction and classification of biomarkers, with TFF1 and REG1B being the most relevant. Through unsupervised learning, the combination of REG1B, REG1A, TFF1 LYV1 and creatinine is highly specific to rule out chronic pancreatic inflammation in healthy people.Introdução: a sepse faz com que o organismo danifique seus órgãos e tecidos, na presença de infecção. O objetivo foi desenvolver um algoritmo baseado em árvores de decisão para analisar e classificar grupos de mortalidade por sepse em adultos. Material e métodos: estudo analítico e transversal de banco de dados secundário de 102.389 adultos. As variáveis ​​foram: desfecho hospitalar,faixa etária, sexo,episódios sépticos,tempo de internação. A árvore de decisão foi utilizada por detecção automática de interação qui-quadrado. Resultados: em adultos jovens,a árvore de decisão incluiu sexo, dias de internação e episódios de sepse. Em adultos intermediários: idade, sexo, dias de internação e episódios de sepse. Em idosos: sexo, idade, dias de internação. Em adultos jovens, intermediários e idosos classificou corretamente 98,30%, 96,90% e 89,80% dos casos, respectivamente.Em adultos de 18 a 59 anos, 9,40%, 4% e 0,90% morreram após o terceiro, quarto e quinto episódio séptico, respectivamente. Nos adultos com mais de 60 anos, 4,60%, 1,80% e 0,80% morreram no terceiro, quarto e quinto episódio, respectivamente. Os percentuais de pacientes vivos desde a segunda readmissão foram maiores nos idosos. Conclusões: idade, sexo,número de episódios de sepse e tempo de internação predizem mortalidade por sepse em adultos. O número de episódios de sepse influencia a mortalidade em adultos até 59 anos de idade, mas não em idosos, enquanto a idade influencia a mortalidade em adultos intermediários e idosos. As árvores de decisão permitem gerar modelos preditivos e classificatórios eficientes, que podem complementar o perfil clínico e epidemiológico dos pacientes internados por sepse.