Resumen de Características bioestadísticas de un buen biomarcador en Oncología

Luis Mariano Esteban, María Etelvina Escorihuela Sahún, Gerardo Sanz, Marta Viridiana Muñoz Rivero, Ángel Borque Fernando

• español

  OBJETIVO: El objetivo principal de este artículo es revisar e ilustrar las propiedades para analizar el desempeño de un modelo predictivo, que son la discriminación, calibración y utilidad clínica.

  MATERIAL Y MÉTODOS: Para ilustrar un proceso de validación de biomarcadores, analizamos 216 pacientes reclutados en el Hospital Universitario Miguel Servet, Zaragoza, España. El objetivo a predecir en el estudio fue un cáncer de próstata clínicamente significativo (Gleason ≥ 7). Se construyó un nuevo biomarcador utilizando un modelo de regresión logística usando la edad, el antígeno prostático específico, el volumen de la próstata y el tacto rectal como variables predictoras. Para analizar la capacidad de discriminación se estimó la curva característica de funcionamiento del receptor, su área bajo la curva (AUC) y el índice de Youden. Además, la calibración se analizó mediante curva de calibración, intersección y pendiente; y la utilidad clínica se estudió mediante curvas de decisión y utilidad clínica.

  RESULTADOS: La capacidad de discriminación fue buena: AUC 0,790 (0,127-0,853 IC del 95%), punto de corte del índice de Youden 0,431 (especificidad 0,811, sensibilidad 0,697). La intersección fue 0 y la pendiente 1, mostrando una calibración perfecta. La curva de decisión muestra un buen beneficio neto en un rango de probabilidad del 25% al 80%. La curva de utilidad clínica mostró que para un punto de corte del 18%, se produce un mínimo del 4,5% de los pacientes con CsP- Ca clasificados incorrectamente por debajo del punto de corte, ahorrando un 18,5% de biopsias.

  CONCLUSIONES: Es necesario un proceso de validación completo para analizar el desempeño de un biomarcador en oncología, en función de su capacidad de discriminación, la concordancia entre las predicciones que proporciona el marcador y la ocurrencia real del evento, y su aplicabilidad en la práctica clínica

• English

  OBJECTIVE: The aim of this article is to review and illustrate the attributes that analyze the performance of a predictive model, such as discrimination, calibration and clinical utility.

  MATERIAL AND METHODS: To illustrate a biomarker validation process, we analyzed 216 patients recruited in the Miguel Servet University Hospital, Zaragoza, Spain. The outcome of the study was clinically significant prostate cancer (Gleason ≥ 7). A new biomarker was built using logistic regression model from age, prostate-specific antigen, prostate volume and digital rectal exam variables. To analyze the discrimination ability, the receiver operating characteristic curve, its area under the curve (AUC), and Youden index were estimated. In addition, the calibration was analyzed through calibration curve, intercept and slope; and the clinical utility was studied by means of decision and clinical utility curves.

  RESULTS: The discrimination ability was good: AUC 0.790 (0.127-0.853 95% C.I.), Youden index cutoff point 0.431 (specificity 0.811, sensitivity 0.697). The Intercept was 0 and Slope 1 showing a perfect calibration. Decision curve showed good net benefit in a threshold probability range 25%-80%. Clinical utility curve showed that for a 18% cutoff point, a minimum 4.5% of CsPCa patients are wrongly classified below the cutoff point, saving 18.5% biopsies.

  CONCLUSIONS: A complete validation process is necessary to analyze the performance of a biomarker in oncology, based on their discrimination ability, the concordance between predicted and actual occurrence of the outcome, and its applicability in clinical practice.