Nomograma de riesgo competitivo para predecir la supervivencia específica del cáncer en múltiples pacientes con cáncer colorrectal primario después de la cirugía

Resumen

El estudio encontró que el sexo masculino, el grado tumoral precario y el estadio avanzado de metástasis de ganglios tumorales se asociaron con una supervivencia específica del cáncer (CSS) más precaria en pacientes con cáncer colorrectal primario múltiple (MPCC) después de la cirugía. Desarrollamos un nomograma para predecir el CSS de los pacientes con MPCC y contribuir a la toma de decisiones clínicas sobre el tratamiento.

Resumen

La supervivencia específica del cáncer (CSS, por sus siglas en inglés) en pacientes con cáncer colorrectal primario múltiple (MPCC, por sus siglas en inglés) se ve afectada competitivamente por la muerte por otras causas. Este estudio tuvo como objetivo investigar el CSS y los factores de riesgo asociados mediante el análisis de riesgo competitivo en pacientes con MPCC. Los datos de este estudio provienen de la base de datos SEER. Utilizando el análisis univariable y multivariable del modelo de riesgo competitivo para debilitar el impacto de los eventos competitivos, explora los factores de riesgo de CSS y desarrolla un modelo de nomograma. Luego, el rendimiento del modelo se verifica mediante la curva ROC, la curva de calibración y el DCA. El estudio abarca un total de 8931 pacientes, de los cuales 6255 pertenecen a la cohorte de entrenamiento y 2676 a la cohorte de validación. En los análisis univariables y multivariados se observó que el sexo, el estadio de la metástasis de los ganglios tumorales (TNM) y el grado tumoral son factores de riesgo independientes para la supervivencia específica del cáncer en los pacientes con MPCC. Con base en los factores de riesgo, desarrollamos un modelo de diagrama para predecir CSS. La curva ROC, la curva de calibración y el DCA también muestran buenos resultados. En conclusión, se desarrolla un nomograma que sirve como una herramienta valiosa para predecir el CSS en pacientes con MPCC, proporcionando a los médicos información crucial para la planificación personalizada del tratamiento.

Introducción

El cáncer colorrectal, como uno de los tumores del sistema digestivo más comunes a nivel mundial, ha experimentado un aumento continuo en su incidencia en las últimas décadas. Las tasas de incidencia y mortalidad persistentemente altas han atraído una atención significativa. Según las últimas estadísticas, el cáncer colorrectal ocupa el tercer lugar entre los tumores malignos comunes en todo el mundo, y su tasa de mortalidad ocupa el segundo lugar a nivel^mundial. El cáncer colorrectal primario múltiple (MPCC, por sus siglas en inglés) es un subtipo especial de cáncer colorrectal que ha atraído cada vez más la atención de los investigadores en los últimos años. Se define como el diagnóstico de dos o más lesiones independientes de cáncer colorrectal en un mismo paciente, con una distancia de más de 5 cm entre los bordes de las lesiones. En el MPCC, cuando se diagnostican múltiples tumores simultáneamente o en menos de 6 meses, se define como cáncer colorrectal sincrónico (SCRC), mientras que si el intervalo entre diagnósticos es mayor de 6 meses, se define como cáncer colorrectal metacrónico (MCRC)2,3,4,5.

La proporción de MPCC en todos los cánceres colorrectales es relativamente baja, y los informes sobre su incidencia varían según las diferentes regiones y estudios. Estudios recientes han reportado que el MPCC representa entre el 2% y el 10% de los cánceres colorrectales 2,3,4,5. En comparación con el cáncer colorrectal solitario, el MPCC tiene un peor pronóstico ^3,6. En la actualidad, la evaluación clínica del pronóstico del MPCC se basa principalmente en el sistema de estadificación de la metástasis de los ganglios linfáticos tumorales (TNM) del American Joint Committee of Cancer, que utiliza el estadio más avanzado de las lesiones múltiples como el estadio real del MPCC. Sin embargo, basar las predicciones del pronóstico únicamente en la estadificación TNM es insuficiente. Todavía no existe una herramienta eficaz para predecir el pronóstico del CPMP después de la cirugía. En la era actual de la medicina de precisión, los modelos de predicción clínica para cuantificar el riesgo son ampliamente utilizados en la toma de decisiones clínicas y la evaluación del pronóstico de los pacientes ^7,8. En los últimos años, los nomogramas basados en factores de riesgo pronóstico independientes han sido ampliamente aceptados para predecir el pronóstico tumoral⁹. Los nomogramas pueden visualizar modelos estadísticos complejos, lo que facilita su aplicación en entornos clínicos. En la evaluación del pronóstico tumoral, la supervivencia global (SG) y la supervivencia específica del cáncer (CSS) son indicadores de resultado comúnmente utilizados⁹. La SG se refiere al tiempo que transcurre desde la confirmación de un cáncer en un paciente hasta la muerte por cualquier causa. El CSS se refiere al tiempo transcurrido desde el diagnóstico de un tumor hasta la muerte causada específicamente por el cáncer, ofreciendo un reflejo más preciso del riesgo de muerte debido al cáncer. Cuando se utiliza el CSS como indicador de resultado, las muertes causadas por otros factores pueden afectar la probabilidad de mortalidad específica por cáncer, introduciendo una relación de riesgo competitiva entre los dos eventos^10,11. Por lo tanto, los estudios de supervivencia específica del tumor deben usar modelos de riesgo competitivos para eliminar el impacto de los eventos competitivos. Estudios previos han construido modelos para predecir el pronóstico del MPCC, pero estos se han limitado al cáncer colorrectal sincrónico y no han utilizado modelos de riesgo competitivos para explicar el impacto de los eventos competitivos en el CSS 12,13,14.

En este estudio, exploramos los factores de riesgo independientes que compiten entre sí y que afectan la supervivencia específica del cáncer para el MPCC después de la cirugía. La justificación para emplear un modelo de riesgos competitivos se deriva de su capacidad para tener en cuenta la posibilidad de que los pacientes mueran por causas distintas al cáncer, lo cual es fundamental para obtener estimaciones de supervivencia no sesgadas^15,16. Las técnicas tradicionales de análisis de supervivencia, como el modelo de Cox, pueden sobrestimar las probabilidades de supervivencia en presencia de eventos que compiten, lo que hace que el uso de modelos de riesgo competitivos sea más apropiado en estos escenarios¹⁷.

A partir de los factores de riesgo independientes identificados, construimos un nomograma para predecir la probabilidad de supervivencia y validamos su rendimiento. Los nomogramas han ganado popularidad en los entornos clínicos porque proporcionan una representación gráfica fácil de usar de modelos estadísticos complejos, lo que permite a los médicos calcular fácilmente las puntuaciones de riesgo individualizadas^18,19. A diferencia de otras herramientas predictivas, los nomogramas incorporan múltiples factores de riesgo y proporcionan estimaciones de pronóstico más precisas y personalizadas. Este enfoque ha sido cada vez más validado en varios cánceres, demostrando un rendimiento superior a los sistemas de estadificación tradicionales 20,21,22. Nuestra herramienta tiene como objetivo ayudar a los médicos a realizar estimaciones de pronóstico personalizadas y más precisas durante el diagnóstico y el tratamiento, mejorando así la toma de decisiones en el manejo del MPCC.

Protocolo

Este estudio incluye dos etapas. En primer lugar, se obtuvieron datos clínicos y de supervivencia del MPCC de la base de datos SEER. A continuación, se utilizó el software R (versión 4.3.3) para analizar y construir un modelo de riesgo competitivo. El diagrama de flujo de trabajo del estudio se presenta en la Figura 1. Este estudio no requiere aprobación ética ni consentimiento para participar. Los datos utilizados en este estudio se obtuvieron de bases de datos.

1. Adquisición de datos

1. Descargue el SEER. Software Stat 8.4.3 del sitio web de la base de datos SEER (http://seer.cancer.gov/about/overview.html). Regístrese e inicie sesión en SEER. Estadística 8.4.3 para obtener datos relevantes del paciente.
2. Después de iniciar sesión en SEER. Estadística 8.4.3, haga clic en Datos de > de la sesión de listado de casos y seleccione la base de datos Incidence SEER Research Data, 17 Registries, Nov 2022 Sub (2000-2020).
3. Haga clic en Selección > Editar y elija {Raza, Sexo, Año Dx. Año de diagnóstico} = '2004', '2005', '2006', '2007', '2008', '2009', '2010', '2011', '2012', '2013', '2014', '2015' Y {Sitio y Morfología. Recodificación del sitio ICD-O-3/OMS 2008} = 'Colon y recto' Y {Sitio y morfología. Confirmación diagnóstica} = 'histología positiva' Y {varios campos primarios. Número de secuencia}! = 'Solo una primaria'.
4. Haga clic en Aceptar y guarde la selección. Haga clic en Tabla y, en la interfaz de variables disponibles, seleccione Recodificación por edad con edades únicas y 85+, Sexo, Recodificación del sitio ICD-O-3/OMS 2008, Tamaño del tumor CS, Recodificación de grado (hasta 2017), AJCC T derivado, 6ª ed (2004-2015), AJCC N derivado, 6ª ed (2004-2015), AJCC M derivado, 6ª ed (2004-2015), Recodificación de radiación, Recodificación de quimioterapia (sí, no/unk), Clasificación de muerte por causa específica de SEER, SEER, clasificación de otras causas de muerte, meses de supervivencia, identificación del paciente, RX Summ-Surg Prim Site (1998+), y haga clic en Columna.
5. Haga clic en Salida, asigne un nombre a los datos y haga clic en Ejecutar para generar y guardar los datos.
6. La base de datos de SEER no proporciona información directa sobre si un paciente tiene MPCC. Después de completar la descarga de datos como se describe anteriormente, use el ID del paciente para filtrar los pacientes con MPCC, es decir, aquellos diagnosticados con dos o más ocurrencias. Después de identificar a los pacientes con MPCC, calcule el intervalo entre los diagnósticos de tumores en función de sus tiempos de supervivencia. Usando 6 meses como límite, clasifique a los pacientes en SMPCC y MMPCC.
7. En función de su edad en el momento del diagnóstico inicial, clasifique las edades de los pacientes como = 65 años y> 65 años. Para el grado tumoral, el grado I corresponde a una buena diferenciación, el grado II corresponde a una diferenciación moderada, el grado III corresponde a una diferenciación baja y el grado IV corresponde a la indiferenciación. Clasifique la ubicación del tumor en función de la distribución de múltiples tumores como colon derecho, colorrecto izquierdo y colorrecto completo.
   1. Existen diferencias evidentes en el desarrollo embrionario y las características biológicas entre el colorrecto proximal y distal, dividiendo la localización del tumor en función de la flexión esplénica²³. El colon derecho se define como proximal a la flexión esplénica, incluyendo el ciego, el colon ascendente, la flexión hepática y el colon transverso, mientras que el colorrecto izquierdo incluye la flexión esplénica, el colon descendente, el colon sigmoide, la unión rectosigmoidea y el recto. Si los tumores de un paciente están completamente localizados en el colon derecho, defina la ubicación del tumor como colon derecho; Si todos los tumores se localizan en el colorrecto izquierdo, defina la ubicación como colorrecto izquierdo; Si hay tumores tanto en el colon derecho como en el colorrecto izquierdo, defina la ubicación como colorrecto completo.
8. Determine el tamaño del tumor seleccionando el diámetro tumoral más grande entre varios tumores en el mismo paciente. Según el diámetro del tumor, clasifique el tamaño como = 5 cm o >5 cm. Un total de 8.931 pacientes fueron incluidos en el estudio. Para crear una cohorte de entrenamiento y una cohorte de validación, divida aleatoriamente todos los casos en una proporción de 7:3.

2. Construcción del modelo

1. Descargue el software RStudio (2023.12.1+402) y R (4.3.3). Abra RStudio para ejecutar el software de R. Haga clic en Nuevo archivo y seleccione R Script para crear una nueva interfaz de programación de R. Introduzca el código correspondiente en el editor de código y haga clic en Ejecutar para ejecutar el código.
   NOTA: El lenguaje R y sus funciones ofrecen una amplia variedad de parámetros. Agregar o modificar estos parámetros puede mejorar el análisis y la visualización de datos.
2. Utilice el siguiente código para realizar un análisis univariante y trazar la curva CIF.
   Biblioteca(tidycmprsk)
   biblioteca(gtresumen)
   Biblioteca(ggsurvfit)
   Biblioteca(ggprisma)
   datos <-read.csv('data.csv')"
   data$status<-factor(data$status, levels=c(0,1,2),labels=c("0","CSS","OCS"))
   CIF <- tidycmprsk::cuminc(Surv(hora, estado) ~ Sexo, datos = datos)
   ggcuminc(CIF,outcome= c("CSS", "OCS"),size=1.5)
   donde data.csv son los datos obtenidos de la base de datos SEER.
3. Después de ejecutar el código anterior, haga clic en Exportar, luego haga clic en Guardar como imagen y, finalmente, haga clic en Guardar para guardar la imagen. El método para guardar las imágenes posteriores será el mismo que en este paso. Reemplace el sexo en el código anterior uno por uno con otros factores para realizar un análisis univariado para todos los factores.
4. Utilice el siguiente código para realizar análisis y visualización BSR y multivariante.
   Biblioteca(Saltos)
   biblioteca(riskRegression)
   Biblioteca(prodlim)
   Biblioteca(parcela forestal)
   leaps<-regsubsets(status==0~Sexo+Tamaño+Grado+T+N+M,datos = datos)
   plot(saltos,escala="adjr2")
   multi <- FGR(Hist(tiempo, estado)~Sexo + T + N + M + Grado + Tamaño, causa = 1, datos = datos)
   Resumen (múltiple)
   Multi <- read.csv("multi.csv",encabezado = T)
   forestplot(labeltext=as.matrix(Multi [,1:4]), mean= Multi $HR_mean, ower= Multi $HR_1, upper= Multi $HR_2)
   donde los datos de multi.csv provienen de los resultados del código anterior.
5. Siga el paso 2.3. para guardar la imagen.
6. Utilice el siguiente código para trazar el nomograma, la curva ROC, la curva de calibración y la curva DCA.
   biblioteca(QHScrnomo)
   Biblioteca (RMS)
   biblioteca(riskRegression)
   Biblioteca(prodlim)
   <- read.csv("data.csv")
   D <- datadist(datos)
   opciones(datadist = "d")
   e <-cph(Surv(tiempo,estado==1)~Sexo + T + N + M +Grado,datos = datos,
   x = T, y = T, surv = T, time.inc = 60)
   nomo <- crr.fit(e,failcode=1,cencode = 0)
   nomogram.crr(fit = nomo, lp = F, xfrac = 0.5, fun.at =seq(from=0, to=1, by= 0.1) , failtime =c(12,36,60),funlabel = c("Incidencia acumulativa de CSS de 1 año", "Incidencia acumulativa de CSS de 3 años","Incidencia acumulativa de CSS de 5 años"))
   set.semilla(123)
   data$pro <- tenf.crr(m3,tiempo = 60)
   groupci(x=data$pro, ftime = data$time, fstatus = data$status, failcode = 1, cencode = 0, ci = TRUE)
   f <- CSC(Hist(tiempo,estado)~Sexo + T + N + M +Grado,datos = datos)
   x <- Puntuación(lista(modelo1=f), Hist(tiempo,estado)~1, datos=datos, causa=1, tiempos=c(12,36,60), se.fit=1L, plots="roc", metrics="auc")
   g <- as.data.frame(x$AUC$puntuación)
   h <- g[g$times %in% c(12,36,60),]
   col = c("darkcyan","tomate","morado")
   plotROC(x, xlab="1-Especificidad", ylab="Sensibilidad",col=col[1], cex=1.5, legend="", auc.in.legend = F, times = 12)
   plotROC(x,col=col[2],legend = '', cex=1.5,times =36,auc.in.legend = F,add=T)
   plotROC(x,col=col[3], times =60, add=T, cex=1.5, legend = '',auc.in.legend = F)
   leg <- paste0(c("1-Año: ","3-Año: ","5-Año: "),substr(a$AUC,1,5))
7. Siga el paso 2.3. para guardar la imagen.
8. Utilice el paquete ggscidca para trazar la curva DCA.
   Biblioteca(ggscidca)
   df_surv<-read.csv("data.csv",encabezado = T)
   cox_model <- coxph(Surv(tiempo,estado==1)~Sexo + T + N+ M +Grado, datos = df_surv)
   cox_model1<-newcrr(cox_model)
   scidca(cox_model1, newdata= df_surv,threshold.line = T,threshold.text = T)
   donde data.csv son los datos obtenidos de la base de datos SEER.
9. Siga el paso 2.3. para guardar la imagen.

Resultados

Características del paciente
Un total de 8.931 pacientes fueron incluidos en el estudio. En cuanto a la distribución por sexo, hubo una mayor proporción de pacientes masculinos (56%) en comparación con pacientes femeninos (44%). En cuanto a la distribución de la localización tumoral, la mayoría de los tumores se distribuyeron en el colorrecto total, mientras que la menor cantidad de tumores se localizaron en el colon derecho (21%). En cuanto al grado tumoral, el grado más frecuente fue el grado II, con 6.251 pacientes, lo que representó el 70% del total; le siguió el grado III, con 2.026 pacientes (23%). Los grados I y IV tuvieron 355 y 299 pacientes, respectivamente, lo que representó el 4% y el 3,3% del total. En cuanto a la invasión tumoral, los estadios T3 y T4 fueron los más comunes. Más de la mitad de los pacientes no presentaron metástasis en los ganglios linfáticos, mientras que el 17% de los pacientes presentaron metástasis a distancia. 1.446 pacientes (16%) recibieron radioterapia y 3.843 pacientes (43%) recibieron quimioterapia. El CCE fue el más frecuente, con 5.327 pacientes, que representaron el 60% del total; Había 3.604 pacientes con cáncer colorrectal metacrónico, lo que representa el 40%. Los pacientes se dividieron aleatoriamente en grupos de entrenamiento y validación en una proporción de 7:3. No hubo diferencias estadísticamente significativas en los datos basales entre las cohortes de entrenamiento y validación, como se muestra en la Tabla 1.

Análisis univariable
Después de controlar la influencia de los eventos competitivos, los resultados del análisis univariado mostraron que el sexo, el grado y tamaño del tumor, el estadio TNM, la radiación, la quimioterapia, el estado sincrónico o metacrónico y la ubicación del tumor fueron los factores pronósticos que afectaron el CSS en los pacientes con MPCC. Solo la edad no es un factor pronóstico para el CSS en pacientes con MPCC. Observamos que hay una intersección significativa de la CIF en la radiación, la quimioterapia, la ubicación y el estado sincrónico o metacrónico, lo que indica que los efectos pronósticos a corto y largo plazo de la radiación en los pacientes con MPCC fueron diferentes, al igual que la quimioterapia, la ubicación y el estado sincrónico o metacrónico. La curva de riesgo acumulado de cada subgrupo se muestra en la Figura 2.

Análisis multivariable
Los factores pronósticos obtenidos por análisis univariado se incorporaron a la regresión de mejores subconjuntos (BSR) y análisis multivariado del modelo de riesgo competitivo. Entre ellos, se excluyen la radiación, la quimioterapia, la localización y el estado sincrónico o metacrónico debido a sus efectos duales en el pronóstico. Los resultados de la BSR y del análisis multivariado mostraron que el sexo, el estadio TNM y el grado tumoral fueron factores de riesgo independientes para CSS en pacientes con MPCC. (Figura 2)

Construcción y verificación de Nomogram
A partir de los factores de riesgo independientes obtenidos por análisis multivariante, construimos un nomograma de línea para predecir el CSS y verificar el rendimiento del modelo de predicción (Figura 3). A continuación, utilizamos la curva ROC, la curva de calibración y el DCA para evaluar el modelo. La curva ROC mostró que los AUC de 1 año, 3 años y 5 años de la cohorte de capacitación fueron 0,762, 0,742 y 0,734, y los AUC de 1 año, 3 años y 5 años de la cohorte de verificación fueron 0,801, 0,740 y 0,743. En la cohorte de entrenamiento y en la cohorte de verificación, la curva de calibración mostró una alta concordancia entre la probabilidad proyectada y los datos reales (Figura 4). Con el fin de verificar el rendimiento del modelo en la aplicación clínica, utilizamos DCA para evaluar el valor clínico del modelo. Los resultados muestran que el modelo muestra un buen beneficio neto (Figura 5).

Figura 1: Diagrama de flujo de trabajo del estudio. Este estudio consta de dos etapas: en primer lugar, los datos se obtuvieron mediante SEER. Stat, y luego el análisis y la visualización de datos se realizaron utilizando R. Haga clic aquí para ver una versión más grande de esta figura.

Figura 2: Resultados del análisis. (A) CIF de subgrupos. * indica P <0.05. (B) Regresión de los mejores subconjuntos. En la mejor bondad de ajuste, se consideraron para la inclusión el sexo, el grado y la etapa TNM (que se muestran como bloques negros en la parte superior). (C) El análisis multivariado también mostró que el sexo, el grado y el estadio TNM son factores de riesgo independientes. Haga clic aquí para ver una versión más grande de esta figura.

Figura 3: Nomograma de CSS en pacientes con MPCC. La puntuación total del paciente se puede calcular sumando las puntuaciones correspondientes a cada factor. Con base en la puntuación total, se puede predecir la probabilidad de muerte específica por cáncer a 1, 3 y 5 años . Haga clic aquí para ver una versión más grande de esta cifra.

Figura 4: Curva ROC y curva de calibración. (A, B) Las curvas en la cohorte de entrenamiento (n = 6255) y la cohorte de validación (C, D) (n = 2676). Cuanto más cerca esté el valor de AUC de 1, mejor será el rendimiento de clasificación del modelo. Las barras de error muestran el intervalo de confianza del 95% para la probabilidad de que ocurra el evento real. Haga clic aquí para ver una versión más grande de esta figura.

Figura 5: DCA para 1 año, 3 años y 5 años. (A, B, C) DCA en cohorte de capacitación y cohorte de validación (D, E, F). La línea verde representa el beneficio neto de todos los positivos, la línea azul representa el beneficio neto de ninguno positivo y la línea roja indica el beneficio neto del modelo. El área roja a continuación representa el beneficio del modelo que supera el de todos los positivos y ninguno positivo, lo que indica el rango de beneficio real del modelo. Haga clic aquí para ver una versión más grande de esta figura.

Tabla 1: Características clinicopatológicas y basales de los pacientes. Haga clic aquí para descargar esta tabla.

Discusión

Como tumor común del sistema digestivo, los factores que influyen en el pronóstico del cáncer colorrectal solitario han sido estudiados y confirmados en investigaciones previas²⁴. Sin embargo, ha habido investigaciones limitadas sobre los factores pronósticos para los pacientes con MPCC. Este estudio incluyó a 8.931 pacientes con MPCC que se sometieron a cirugía de la base de datos SEER entre 2004 y 2015. Utilizamos un modelo de riesgo competitivo para investigar los factores de riesgo que afectan a CSS y construimos un modelo predictivo. En este estudio, el 39,1% de los pacientes fallecidos fallecieron por causas distintas al cáncer, lo que enfatiza la necesidad de utilizar un modelo de riesgo competitivo para analizar los factores de riesgo para el CSS.

Estudio previo ha encontrado que la edad avanzada es un factor de riesgo que afecta la SG de los pacientes con MPCC¹². Sin embargo, en este estudio, encontramos que la edad no fue un factor de riesgo para CSS. Los pacientes de edad avanzada a menudo presentan condiciones de salud iniciales más precarias y más comorbilidades, lo que puede llevar a una SG más corta en comparación con los pacientes más jóvenes. Los ancianos también tienen más probabilidades de morir por otras causas, como eventos cardiovasculares e infecciones graves, lo que los hace más susceptibles a estos factores que los pacientes más jóvenes. En este estudio, nos centramos en la relación competitiva entre las muertes debidas a otras causas y las muertes debidas al propio cáncer. Mediante el uso de un modelo de riesgo competitivo y la exclusión de la interferencia de las muertes causadas por otras razones, encontramos que, en estas condiciones, la edad avanzada ya no era un factor de riesgo para el CSS de MPCC. Esto indica que los pacientes con MPCC de diferentes grupos de edad pueden enfrentarse a cargas tumorales similares. En general, los pacientes jóvenes y ancianos con esta enfermedad tienen un CSS similar, lo que proporciona una valiosa orientación para desarrollar estrategias de tratamiento personalizadas.

Este estudio también encontró que la incidencia y el pronóstico de MPCC exhiben tendencias relacionadas con el género, con una mayor proporción y peor CSS de pacientes masculinos. Esto es consistente con la situación observada en el cáncer colorrectal solitario. Estudios anteriores han demostrado que el cáncer colorrectal solitario es más común en los hombres, y los pacientes masculinos tienen un peor pronóstico que las mujeres. Esto puede deberse a la influencia de los estrógenos en la aparición y progresión del cáncer colorrectal²⁵. Además, otras investigaciones han sugerido que la microbiota intestinal y los metabolitos intestinales en pacientes masculinos pueden ser una de las razones de las diferencias de género observadas en los pacientes con cáncer colorrectal²⁶. Un estudio en Alemania encontró que la diabetes tipo 2 tiene un mayor impacto en el cáncer colorrectal en las mujeres²⁷. Además, la vitamina D tiene un efecto protector contra la neoplasia colorrectal en las mujeres, pero no se encontraron hallazgos similares en los hombres²⁸.

En un análisis univariado de la competencia, se encontró que los pacientes con MPCC con tumores de mayor tamaño tenían un CSS más precario. En estudios previos, el tamaño del tumor ha sido considerado a menudo como un indicador de la agresividad tumoral 29,30,31. Sin embargo, los resultados de los análisis multivariados que compitieron entre sí no respaldaron el tamaño del tumor como factor de riesgo independiente. Esto sugiere que en órganos huecos como el colorrectal, el tamaño del tumor puede tener una capacidad limitada para reflejar la agresividad del tumor. Este fenómeno puede deberse a varios factores, incluida la complejidad de la biología tumoral y los diferentes patrones de crecimiento y diseminación del tumor a través de diferentes órganos.

Un grado tumoral deficiente indica una mayor capacidad invasiva y migratoria de las células tumorales, lo que se alinea con las conclusiones de este estudio: un grado tumoral peor sugiere un CSS más pobre para los pacientes con MPCC. El estadio TNM es el método clínico más utilizado para guiar el tratamiento del paciente y predecir el pronóstico ^32,33. En este estudio se encontró que cuanto más profunda era la infiltración tumoral, mayor era el número de ganglios linfáticos metastásicos y la presencia de metástasis en los órganos, peor era la supervivencia específica del paciente para el cáncer. Esto es totalmente coherente con el consenso clínico.

En el cáncer colorrectal, el pronóstico varía según la ubicación del tumor. Muchos estudios han encontrado que el colon derecho tiene un peor pronóstico en comparación con el colorrecto izquierdo 34,35,36,37. Sin embargo, algunas investigaciones sugieren que en el cáncer colorrectal resecable, el lado de la ubicación del tumor no afecta el pronóstico a largo plazo³⁸. En este estudio, el MPCC localizado en el colon derecho tuvo un peor CSS a corto plazo, pero un mejor pronóstico a largo plazo. De manera similar, los pacientes con MPCC que recibieron radiación y quimioterapia tuvieron un mejor CSS a corto plazo, pero peor CSS a largo plazo. El SCRC tenía un CSS a corto plazo peor en comparación con el MCRC, pero un mejor CSS a largo plazo. Las razones de estos dos efectos sobre el pronóstico aún no están claras.

Este estudio tiene algunas limitaciones. Debido a las limitaciones inherentes a la base de datos SEER, no fue posible obtener o analizar algunos indicadores pronósticos conocidos, como los niveles de antígeno carcinoembrionario (CEA) y el estado de los microsatélites. Además, no fue posible excluir a los pacientes con enfermedad inflamatoria intestinal, cáncer colorrectal hereditario no poliposis y poliposis adenomatosa familiar que tienen mayor riesgo de MPCC³⁹. Además, la inmunoterapia se ha convertido en un aspecto cada vez más importante del tratamiento del cáncer colorrectal, pero no pudimos obtener datos al respecto. La naturaleza retrospectiva de nuestro análisis y la dependencia de un único conjunto de datos pueden introducir sesgos inherentes.

El estudio basado en la base de datos SEER encontró que el sexo masculino, el grado tumoral deficiente y el estadio TNM avanzado se asociaron con un CSS más pobre en los pacientes con MPCC después de la cirugía. Es importante prestar mucha atención a los pacientes con estos factores de riesgo durante el diagnóstico y el tratamiento. Además, en este estudio se desarrolló un nomograma para predecir el CSS de los pacientes con MPCC, que puede predecir con precisión el pronóstico y contribuir a la toma de decisiones clínicas sobre el tratamiento.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
paquete forestplot	Comprehensive R Archive Network (CRAN)	forest plot 3.1.3	Un diagrama de bosque que permite varios intervalos de confianza por fila, fuentes personalizadas para cada elemento de texto, intervalos de confianza personalizados, texto mezclado con expresiones, etc.
ggprism	package Comprehensive R Archive Network (CRAN)	ggprism 1.0.5	El paquete ggprism proporciona varios temas, paletas y otras funciones útiles para personalizar ggplots y darles el ' GraphPad Prism' mirar.
ggscidca	package Red Integral de Archivos de R (CRAN)	ggscidca package	El paquete 'ggscidca' agrega barras de colores de relevancia discriminante a la curva de decisión tradicional. Mejora de la practicidad y la estética.
ggsurvfit	package Comprehensive R Archive Network (CRAN)	ggsurvfit 1.1.0	El paquete ggsurvfit facilita la creación de cifras de resumen de tiempo hasta el evento (también conocido como supervivencia) con ggplot2. El código conciso y modular crea imágenes que están listas para su publicación o intercambio.
gtsummary	package Comprehensive R Archive Network (CRAN)	gtsummary 2.0.0	El paquete gtsummary proporciona una forma elegante y flexible de crear tablas analíticas y de resumen listas para su publicación utilizando el lenguaje de programación R. El paquete {gtsummary} resume conjuntos de datos, modelos de regresión y más, utilizando valores predeterminados razonables con capacidades altamente personalizables.
Paquete QHScrnomo	Red Integral de Archivos R (CRAN)	QHScrnomo 3.0.1	El objetivo de QHScrnomo es proporcionar funcionalidad para construir nomogramas en el contexto del análisis de tiempo hasta el evento (supervivencia) en presencia de riesgos competitivos. También contiene funciones para crear, validar y resumir estos modelos.
R Software	R Core Team	R 4.3.3	Entorno de software libre para el riesgo de computación estadística y gráficosPaquete
de regresión	Red de archivo R integral (CRAN)	riesgoRegresión 1.3.7	Modelos de regresión de riesgo y puntuaciones de predicción para el análisis de supervivencia con riesgos competitivos
paquete rms	Red integral de archivos R (CRAN)	rms 6.8-1	RMS realiza el modelado de regresión, las pruebas, la estimación, la validación, los gráficos, la predicción y la composición tipográfica almacenando atributos de diseño de modelos mejorados en el ajuste.
RStudio	RStudio, Public Benefit Corporation(PBC)	Rstudio 2023.12.1+402	Entorno de desarrollo integrado (IDE) que se usa para ejecutar scripts de R, análisis de datos y desarrollo de modelos. Proporciona una interfaz fácil de usar para la programación de R con características avanzadas como edición de scripts, depuración y control de versiones.
SEERstat	Instituto Nacional del Cáncer (NCI)	SEERstat 8.4.3	Software para el análisis estadístico de SEER y otras bases de datos relacionadas con el cáncer
tidycmprsk package Comprehensive	R Archive Network (CRAN)	tidycmprsk 1.0.0	El paquete tidycmprsk proporciona una interfaz intuitiva para trabajar con los criterios de valoración de riesgo en competencia