Seleção de potenciais biomarcadores para previsão da recidiva do câncer de próstata utilizando modelos de classificação

Abstract

O objetivo deste trabalho foi avaliar o desempenho de potenciais biomarcadores na classificação de pacientes com câncer de próstata (CaP) que apresentaram recidiva da doença, utilizando modelos de classificação de aprendizado supervisionado, como árvores de decisão e máquinas de vetores de suporte (SVM). Para isso, utilizamos um conjunto de dados do The Cancer Genome Atlas (TCGA) contendo informações de 419 pacientes com CaP. Este conjunto inclui uma ampla gama de dados, como níveis pré-cirúrgicos de PSA, escore de Gleason, estadiamento da doença e a expressão gênica de sete biomarcadores: KLK3|354, AR|367, GSTM3|294, NETO2|81831, HPN|3249, PRUNE2|158471 e FOLH1|2346 (PSMA). Durante um período de aproximadamente 7 anos, 85 dos 419 pacientes apresentaram recidiva. Portanto, o objetivo da construção dos modelos foi investigar se algum dos biomarcadores mencionados (ou uma combinação deles) poderia melhorar a assertividade na previsão de recidiva da doença, considerando que PSA, escore de Gleason e estadiamento já são variáveis utilizadas na prática clínica para diagnóstico.