Descrição
Este estudo teve como objetivo principal comparar o desempenho de diferentes modelos de previsão da sobrevida em pacientes com câncer de mama, utilizando dados de uma coorte de mulheres tratadas entre 2005 e 2015 no Hospital da Fundação Assistencial da Paraíba. O conjunto de dados incluiu informações clínicas, histológicas, terapêuticas e moleculares, bem como idade, tipo histológico do tumor, esquemas de tratamento e marcadores como receptores de estrogênio, progesterona, proteínas Ki67, P53 e HER2. As datas de diagnóstico e de falha (óbito ou última anotação) foram utilizadas para a análise de sobrevida, caracterizando a natureza censurada dos dados. Foram avaliados o modelo de Regressão de Riscos Proporcionais de Cox e os algoritmos de aprendizado de máquina Random Survival Forest (RSF), Gradient Boosting Machine (GBM) e Support Vector Machine para sobrevida (SVMc). Para a seleção de variáveis foi realizado um ajuste univariado (p<0.25). O desempenho dos modelos foi medido através do C-index e do Brier Score. Na fase de treino, o GBM apresentou melhor desempenho em relação aos demais modelos, contudo, na fase de teste, o RSF demonstrou desempenho superior, com C-index: 0.9144 e Brier Score = 0.0845, e o modelo de Cox demonstrou desempenho mais fraco entre todos os modelos com C-index= 0.5136 e Brier Score = 0.1905. Os resultados indicam que, para a predição do prognóstico em câncer de mama, os modelos de aprendizado de máquina, especialmente o RSF, superaram o desempenho do modelo tradicional de Cox.
| Selecione a modalidade do seu trabalho | Resumo Simples |
|---|
