Disminuyendo la heterogeneidad en hepatocarcinoma. Análisis de clúster por variables clínicas en pacientes atendidos en una institución de cuarto nivel de complejidad

• Main Authors: S. Niño-Ramírez, D. Jaramillo-Arroyave, O. Ardila, L.G. Guevara-Casallas
• Format: Article
• Language: Spanish
• Published: Elsevier 2021-10-01
• Series: Revista de Gastroenterología de México
• Subjects: Hepatocellular carcinoma; Group analysis; Unsupervised machine learning
• Online Access: http://www.sciencedirect.com/science/article/pii/S0375090621000112

Resumen: Introducción y objetivo: A pesar de que el término hepatocarcinoma se utiliza para designar tumores primarios hepáticos, su etiología, variación geográfica, comportamiento y asociación con alteraciones genéticas específicas hace de esta una enfermedad con elevada heterogeneidad. El objetivo de esta investigación es establecer características clínicas que permitan definir conglomerados homogéneos utilizando análisis de clúster. Materiales y métodos: Esta investigación desarrolló un análisis exploratorio de clúster utilizando el método K-means para subclasificar a 119 casos de pacientes con hepatocarcinoma de los cuales 62 cumplieron con criterios de inclusión y no de exclusión. Para el análisis de clúster se definió un espacio N dimensional donde N fue igual al número de variables incluidas en el estudio (N̊=̊17), las coordenadas espaciales correspondieron a cualquier magnitud posible entre el valor mínimo y el máximo de las variables incluidas (edad, volumen tumoral, AFP, AST, BD, Alb, Na, INR, Cr, HBV, OH, NASH, tumor Múltiple, Neo, HCV, Sexo, Cirrosis). Resultados: Se identificaron cuatro patrones con características clínicas homogéneas en los cuales la edad de presentación, el antecedente de infección por virus de hepatitis B, la alteración del perfil hepático con dominancia colestásica y los bajos niveles de albúmina se asociaron con un aparente peor pronóstico. Conclusión: Se demuestra cómo la heterogeneidad en hepatocarcinoma puede reducirse utilizando métodos de aprendizaje no supervisado para definir subgrupos específicos, en los cuales los mecanismos fisiopatológicos descritos puedan explicar mejor el comportamiento tumoral y definir determinantes pronósticos relacionados con los subgrupos. Abstract: Introduction and objective: Even though the term hepatocellular carcinoma designates the most common type of primary liver cancer, the disease has a high level of heterogeneity due to its etiology, geographic variation, behavior, and association with specific genetic alterations. The aim of the present study was to establish, through a cluster analysis, the clinical characteristics that enable homogeneous conglomerates to be defined. Materials and methods: An exploratory cluster analysis was developed utilizing the K-means method for sub-classifying 119 cases of patients with hepatocellular carcinoma. Sixty-two of those patients met the inclusion criteria, as well as none of the exclusion criteria. For the cluster analysis, an n-dimensional space was defined, in which n was equal to the number of variables included in the study (n = 17). The spatial coordinates corresponded to any possible magnitude between the minimum and maximum values of the variables analyzed (age, sex, tumor volume, AFP, AST, DB, Alb, Na, INR, Cr, HBV, HCV, OH, NASH, cirrhosis, multiple tumors, and neotumor). Results: Four patterns with homogeneous clinical characteristics were identified, in which age at presentation, history of hepatitis B virus infection, altered liver profile with cholestatic dominance, and low albumin levels were associated with an apparently worse outcome. Conclusion: How heterogeneity in hepatocellular carcinoma could be reduced was shown through utilizing an unsupervised learning method to define specific subgroups, in whom known pathophysiologic mechanisms could better explain tumor behavior and define the determining prognostic factors related to the subgroups.