/Fuente: Federación Bioquímica de la Provincia de Buenos Aires/
Su evaluación conjunta con variables clínicas mejora la detección temprana del cáncer de próstata agresivo.
En esta nota presentamos tres artículos publicados recientemente que analizan los biomarcadores vinculados al diagnóstico de cáncer de próstata y la identificación de variables que habilitan su recurrencia. Entre ellos, destacamos el tercer artículo, relacionado con dos polimorfismos genéticos cuyos autores son investigadores argentinos.
Predicción del cáncer de próstata a partir de marcadores de laboratorio de rutina mediante Aprendizaje Automático Automatizado. Satır A, Üstündağ Y, Yeşil MR, Huysal K. Prediction of Prostate Cancer From Routine Laboratory Markers With Automated Machine Learning. J Clin Lab Anal. 2025;39(3):e25143. doi: 10.1002/jcla.25143.
En su investigación, los autores crearon un modelo de Automated Machine Learning (aprendizaje automático automatizado) que permite clasificar los resultados de la biopsia de próstata como maligna o benigna. Para ello, entrenaron distintos modelos de aprendizaje automático utilizando análisis de laboratorio de rutina de 737 pacientes de entre 46 y 88 años utilizando el software H2O AutoML. El modelo más efectivo utilizó la técnica de gradient boosting (potenciación del gradiente), que consideró 11 variables como APE (antígeno prostático específico), APE libre, hemoglobina, conteo de neutrófilos, plaquetas, glucosa, linfocitos y edad con una exactitud de 0.68. El estudio sugiere que integrar parámetros de laboratorio convencionales con APE y aplicar técnicas de machine learning puede ayudar a disminuir biopsias innecesarias sin comprometer la detección de cáncer de próstata.
El análisis integrativo de biomarcadores sanguíneos y variables clínicas mejora la detección temprana del cáncer de próstata agresivo. Lazareva O, Riediger A, Stegle O, Sültmann H, Hohenfellner M, Görtz M. Integrative analysis of blood biomarkers and clinical variables improves early detection of aggressive prostate cancer. Sci Rep. 2025;15(1):14071. doi: 10.1038/s41598-025-98980-3.
Este estudio considera la posibilidad de que la incorporación de parámetros clínicos y análisis de sangre rutinarios mejore la predicción temprana y no invasiva del cáncer de próstata agresivo. Para la investigación, se analizaron datos de 578 pacientes con sospecha de cáncer de próstata, incluyendo 28 valores de laboratorio junto con información sobre antecedentes familiares, dieta y estilo de vida. Se desarrolló un clasificador por regresión logística evaluado mediante validación cruzada, con el que los pacientes fueron clasificados en sanos, con cáncer moderado (ISUP 1–2) y con cáncer agresivo (ISUP 3–5). Se identificaron relaciones relevantes entre la agresividad del cáncer y niveles reducidos de androstenediona, sulfato de dehidroepiandrosterona (DHEA-S) y porcentaje de APE libre, además de niveles elevados de globulina fijadora de hormonas sexuales (SHBG). Al integrar estos marcadores con datos clínicos en un modelo de riesgo por etapas, se logró una mayor precisión en la predicción del cáncer agresivo en comparación con el uso exclusivo del APE. Este enfoque, basado en biomarcadores más accesibles y económicos, podría ofrecer una alternativa más específica y menos invasiva, disminuyendo la dependencia de biopsias y resonancias magnéticas costosas.
Tabla. Características de los pacientes (cohorte de modelado n = 282) en los grupos sano, PC ISUP 1–2 versus PC ISUP 3–5 correspondientes a parámetros significativos.
| Parámetro | Unidad | Pacientes sanos (n = 122) | ISUP 1–2 PC (n = 117) | ISUP 3–5 PC (n = 43) |
|---|---|---|---|---|
| Edad | Años | 63 (57–69) | 66 (61–73) | 72 (64.50–75) |
| APE* | ng/dl | 5.75 (4.47–8.06) | 5.81 (4.2–8.41) | 10.11 (6.67–15.49) |
| Androstenodiona | µg/l | 70 (59–88) | 66 (53–78) | 58 (48–67) |
| APE libre % | % | 16 (0.30–25) | 11 (0.24–20) | 8 (0.18–17.50) |
| DHEA-sulfato | µg/ml | 1.23 (0.76–1.75) | 1.06 (0.69–1.47) | 0.76 (0.54–1.14) |
| Globulina fijadora de hormonas sexuales | nmol/l | 43 (32–53) | 46 (35–58) | 48 (35.5–62) |
| Volumen de la próstata | ml | 61.32 (45–81.97) | 46.37 (34–66.45) | 45 (33.94–60) |
| Densidad APE | ng/ml/ml | 0.1 (0.07–0.13) | 0.13 (0.08–0.19) | 0.21 (0.16–0.35) |
| Historia familiar positiva | Recuento, % | 12 (9.83) | 14 (11.97) | 7 (16.28) |
| ERD** positivo | Recuento, % | 10 (8.20) | 72 (61.54) | 21 (48.84) |
| PIRADS*** ≤ 2 | Recuento, % | 19 (15.57) | 6 (5.13) | 0 (0) |
| PIRADS*** 3 | Recuento, % | 44 (36.07) | 23 (19.66) | 1 (2.33) |
| PIRADS*** 4 | Recuento, % | 53 (43.44) | 58 (49.57) | 14 (32.56) |
| PIRADS*** 5 | Recuento, % | 6 (4.92) | 30 (25.64) | 28 (65.12) |
Para los parámetros continuos, se proporcionan la mediana y el RIQ; de lo contrario, se muestran el recuento por grupo y el porcentaje.
*Antígeno Prostático Específico
**Examen Rectal Digital
*** Sistema de Reporte y Datos de Imágenes de Próstata (Prostate Imaging Reporting and Data System). Es un sistema de puntuación utilizado en el diagnóstico por imágenes para determinar el riesgo de cáncer de próstata.
Microsatélite AR (CAG)n y polimorfismos APEX1 c.444T>G (p.Asp148Glu) como biomarcadores pronósticos independientes en cáncer de próstata: perspectivas de una cohorte argentina. Pascual G, Sabater A, Bizzotto J, Seniuk R, Sanchis P, Ledesma-Bazan S, et al. Cancers (Basel). 2024;16(22):3815. doi: 10.3390/cancers16223815.
Este estudio investiga cómo dos polimorfismos genéticos (AR (CAG)n y APEX1 c.444T>G) se relacionan con la recurrencia bioquímica en pacientes argentinos con cáncer de próstata. Los resultados muestran que ciertas variantes genéticas, como el alelo AR (CAG)M y el genotipo heterocigoto APEX1 c.444TG, están vinculadas a un mayor riesgo de recaída, incluso al considerar factores clínicos y patológicos tradicionales. En particular, quienes poseen una combinación de los genotipos AR (CAG)M y APEX1 c.444TT/GG presentan el mayor riesgo, lo que sugiere que estos polimorfismos pueden actuar como marcadores independientes. Esto es especialmente útil en pacientes con niveles de APE inferiores a 10 ng/mL, donde los métodos habituales no siempre predicen con precisión el pronóstico. Los autores proponen que incorporar estos marcadores genéticos en modelos clínicos podría mejorar la predicción del curso de la enfermedad y ayudar a personalizar el tratamiento para quienes tienen mayor riesgo de recurrencia.
Las tres investigaciones, aunque con enfoques diferentes, evidencian la necesidad de establecer técnicas y parámetros más precisos en la detección y el diagnóstico de cáncer de próstata, así como prácticas menos invasivas y costosas. Asimismo, la detección de factores genéticos en el desarrollo de la enfermedad permite un abordaje personalizado en el tratamiento y seguimiento de las personas afectadas.
Bibliografía
En inglés
- Pavlovic B, Bräutigam K, Dartiguenave F, Martel P, Rakauskas A, Cesson V, et al. Urine biomarkers can predict prostate cancer and PI-RADS score prior to biopsy. Sci Rep. 2024;14(1):18148. doi: 10.1038/s41598-024-68026-1.
- Zhang X, Feng C, Bai X, Peng X, Guo Q, Chen L, et al. Predicting Positive Repeat Prostate Biopsy Outcomes: Comparison of Machine Learning Approaches to Identify Key Parameters and Optimal Algorithms. Arch Esp Urol. 2023; 76(7):494-503. doi: 10.56434/j.arch.esp.urol.20237607.61
- James ND, Tannock I, N’Dow J, Feng F, Gillessen S, Ali SA, et al. The Lancet Commission on prostate cancer: Planning for the surge in cases. Lancet. 2024;403(10437):1683–1722.
- Mottet N, van den Bergh RCN, Briers E, Van den Broeck T, Cumberbatch MG, De Santis M, et al. EAU-EANM-ESTRO-ESUR-SIOG Guidelines on Prostate Cancer-2020 Update. Part 1: Screening, Diagnosis, and Local Treatment with Curative Intent. Eur. Urol. 2021;79:243–262. doi: 10.1016/j.eururo.2020.09.042
En español
- 1. Pulla Torres MJ, Rosendo Chalma P. Biomarcadores para diagnóstico diferencial de patologías en próstata. Ciencia Latina Revista Científica Multidisciplinar. 2025; 9(1), 7214-7232. https://doi.org/10.37811/cl_rcm.v9i1.16395
CLIP URBANO 