Desenvolvimento e validação de nomogramas para estimativa de risco para câncer de próstata em população brasileira

• Main Author: Silva, Thiago Buosi
• Other Authors: Carvalho, André Lopes
• Format: Others
• Language: pt
• Published: Biblioteca Digitais de Teses e Dissertações da USP 2013
• Subjects: Antígeno prostático específico; Biópsia; Biopsy; Model; Modelo; Neoplasias da próstata; Predictive value; Programas de rastreamento; Prostate neoplasms; Prostate specific antigen; Screening programs; Valor preditivo dos testes
• Online Access: http://www.teses.usp.br/teses/disponiveis/5/5155/tde-10052013-102118/

INTRODUÇÃO: O câncer de próstata é a segunda causa de morte relacionada ao câncer nos Estados Unidos e no Brasil. Sua incidência tem aumentado significativamente após a década de 90 devido a implantação de programas de rastreamento pelo PSA, que embora seja considerado um método sensível para identificar os pacientes com risco para o câncer de próstata, sua especificidade é considerada baixa. O objetivo foi desenvolver e validar nomogramas para estimar a probabilidade de câncer de próstata e câncer de próstata indolente em pacientes submetidos a um rastreamento oportunístico. MÉTODOS: Trata-se de um estudo observacional transversal baseado em uma coorte de pacientes atendidos pela Unidade Móvel de Prevenção e biopsiados no Departamento de Radiologia do Hospital de Câncer de Barretos entre janeiro de 2004 e dezembro de 2007. Os dados clínicos e patológicos foram coletados dos prontuários dos pacientes, seguindo uma ficha de coleta padronizada previamente elaborada e digitada em banco de dados no Software IBM® SPSS® Statistics 20.0.1 for Windows para posterior análise. Análises de regressão logística binária foram realizadas para avaliar o modo como cada um dos fatores em combinação permitiria supor a presença de câncer de próstata. RESULTADOS: Dos 1.639 pacientes que foram encaminhados para o Hospital de Câncer de Barretos para a realização da biópsia prostática, 553 (42,1%) tiveram confirmação histopatológica de adenocarcinoma prostático. Os tumores indolentes foram encontrados em 66 (5,0%) dos casos positivos. As análises de regressão logística forneceram uma área sob a curva ROC de 0,737 (IC 95% = 0,678 a 0,796) para predição do câncer de próstata e de 0,696 (IC 95% = 0,591 a 0,802) para predição de câncer de próstata indolente. CONCLUSÃO: Os modelos construídos apresentaram poder de predição razoável considerando-se os eventos estudados === BACKGROUND: Prostate cancer is the second leading cause of cancerrelated death in the United States and in Brazil. Its incidence has increased significantly after the 90\'s due to the implementation of PSA screening programs, despite being considered a sensitive method to identify patients at risk of prostate cancer, its specificity is considered low. The aim was to develop and validate nomograms to estimate the probability of prostate cancer and indolent prostate cancer in patients undergoing opportunistic screening. METHODS: This was a cross sectional observational study based on a cohort of patients seen at the Prevention Mobile Unit and biopsied in the Radiology Department of the Barretos Cancer Hospital between January 2004 and December 2007. The clinical and pathological data were collected from patient charts, following a standardized collection form previously completed and entered into the database in IBM® SPSS® Software Statistics 20.0.1 for Windows for further analysis. Binary logistic regression analyses were performed in order to assess how each factor in combination would predict the presence of prostate cancer. RESULTS: Out of the 1,639 patients who were referred to the Barretos Cancer Hospital for prostate biopsy, 553 (42.1%) had histopathological confirmation of prostatic adenocarcinoma. Indolent tumors were found in 66 (5.0%) of the positive cases. The logistic regression analyses provided an area under the ROC curve of 0.737 (95% CI = 0.678 to 0.796) for prediction of prostate cancer and 0.696 (95% CI = 0.591 to 0.802) for the prediction of indolent prostate cancer. CONCLUSION: The constructed models showed a reasonable predictive power, considering the events studied