Desarrollo de un modelo predictivo para la detección de cáncer de próstata en muestras de orina

Abstract

[ES] El cáncer de próstata (CaP) es el segundo cáncer más común entre la población masculina, con aproximadamente 900.000 nuevos casos cada año en todo el mundo, según la AECC. Su detección a tiempo resulta muy importante. Entre las técnicas de detección actuales se encuentran el examen físico, el EDR, la PSA, la ecografía transrectal, la IRM y la biopsia. El objetivo de este estudio es validar una técnica no invasiva para la detección de CaP basado en un rápido análisis de orina con electrodos desechables y haciendo uso de la voltametría, en base a un estudio previo utilizando lenguas electrónicas (eTongues) voltamétricas de electrodos metálicos nobles y no nobles. Las eTongues son dispositivos basados en sensores no selectivos cuya respuesta se analiza mediante el uso de algoritmos de reconocimiento. La baja especificidad de cada sensor y la combinación de varios sensores permite obtener una gran cantidad de información de las muestras analizadas. Algunas lenguas potenciométricas y voltamétricas ya han sido probadas para la detección del CaP y el cáncer de vejiga, con resultados prometedores. En el presente proyecto, las muestras de orina de 76 pacientes (24 muestras de pacientes con CaP, 24 muestras de pacientes intervenidos quirúrgicamente de CaP y 28 muestras de pacientes con HBP) fue obtenida y congelada hasta el momento del análisis. Para las medidas, 2 mL de orina fueron introducidos en un pequeño recipiente, donde se realizaron las medidas voltamétricas mediante el uso del equipo FraPlusMini para cada una de las lenguas. La intensidad de corriente fue muestreada a lo largo de cada ensayo. Estos datos se procesaron y se procedió a su análisis aplicando dos técnicas de análisis multivariante: un análisis de componentes principales (PCA en inglés) y un análisis discriminante a partir de regresión por mínimos cuadrados parciales (PLS-DA en inglés) utilizando el software PLS Toolbox Solo 8.0 (Eingenvector Research, Inc.). El PCA no mostró ningún resultado relevante a la hora de discriminar muestras de orina de CaP y HPB. A partir del PLS-DA, se construyó un modelo únicamente a partir de muestras de pacientes diagnosticados con CaP y de pacientes que padecen de HBP, que pudo discriminar entre CaP y HPB con una sensibilidad del 87,5%, una especificidad del 100% y una AUC de 1.0 para la detección de CaP en el conjunto de validación. Estos resultados validan un estudio anterior y permite el uso de un conjunto reducido de metales nobles, con alta durabilidad y reducidos requisitos de mantenimiento, lo cual resulta conveniente para la evolución en el futuro de esta herramienta de diagnóstico no invasivo.

[EN] Prostate cancer (PCa) is the second most common cancer among the male population, with approximately 900,000 new cases each year worldwide, according to AECC. Early detection is very important. Current detection techniques include RBS, PSA, MRI, biopsy and transrectal ultrasound. The objective of this study is to validate a non-invasive technique for detection of PCa based on a quick urine analysis using disposable electrodes and voltammetry on the basis of a previous study using electronic tongues (eTongues) and voltammetry. eTongues are based on unspecific sensors, and their response is analysed by using suitable pattern recognition algorithms. The low specificity of each sensor and the combination of several sensors entails a high information potential. Some potentiometric and voltammetric e-tongues (VET) have been tested to study PCa and bladder cancer in with promising results. With this objective, the urine of 76 patients (24 patients with PCa, 24 patients with PCa surgical intervention and 25 with benign prostate hyperplasia (BPH), free of cancer) was obtained and frozen until the moment of VET analysis. Urine (2 mL) was introduced in a small container and a set of voltammetric pulses for each of the four noble metal electrodes was performed in a FraPlus equipment. Current intensity was sampled along the pulse train duration for each sample. These data were processed and multivariate analysis was performed by the Principal Component Analysis (PCA) and Partial Least Squares Discriminant Analysis (PLS-DA) using the software PLS Toolbox Solo 8.0 (Eingenvector Research, Inc.). PCA analysis didn t show any relevant results in order to discriminate urine of PCa and BPH. A model based on PCa and BPH samples was built with PLS-DA, and it could discriminate between PCa and BPH with a sensitivity of 87.5 %, a specificity of 100 % and an AUC of 1.0 for the detection of PCa in the validation set. These results validate the previous study and enables the use of a reduced set of noble metals, with high durability and less maintenance requirements, which is convenient for future non-invasive diagnostic tool developments.