RESUMEN
OBJETIVO: Se describen los resultados de numerosos modelos predictores relativos a la clasificación del cáncer de próstata. Tratamos de analizar y clasificar estas herramientas de predicción para crear una referencia completa para los profesionales que tratan el cáncer de próstata. MÉTODOS: Se realizó una búsqueda en MEDLINE desde enero 1966 hasta abril de 2012 para identificar los modelos de predicción relacionados con la estadificación del cáncer de próstata, tratamiento, y resultados en el paciente tratado previamente. Se describe el resultado pronosticado de cada modelo identificado, las variables que comprenden el modelo, el tamaño de la cohorte en el que se desarrolló la herramienta, estimaciones predictoras discriminatorias, y si se realizó la confirmación interna y/o externa. RESULTADOS: Se identificaron 80 herramientas de predicción aplicables a pacientes de cáncer de próstata tratados previamente, de los cuales 30 habían sido confirmados externamente. Las herramientas diseñadas para predecir el estadio patológico son los más comunes, algunos modelos se centraron en predecir con exactitud el cáncer de próstata clínicamente insignificante, mientras que otra gran parte se enfocaron hacia la predicción de la enfermedad localmente avanzada (es decir, extensión extracapsular, implicación de la vesícula seminal, invasión de ganglios linfáticos). Otros modelos describen los resultados bioquímicos estudiados después de la prostatectomía radical, radioterapia externa o braquiterapia. Hay muy pocos modelos que aborden la predicción de la metástasis y la supervivencia. Finalmente, varias herramientas incorporan novedosos biomarcadores séricos pre-tratamiento o hallazgos de las imágenes de la resonancia magnética en los modelos base para mejorar la exactitud de las variables clínico-patológicas estándar(AU)
CONCLUSIÓN: Para ofrecer una atención óptima e individualizada del cáncer de próstata, el tratamiento debe adaptarse a las características específicas de cada paciente y de cada tumor. Los modelos predictores pueden facilitar tal enfoque y son descritos de forma numerosa en la literatura. Mientras que el rendimiento de los modelos predictores es alentador, es imprescindible un mayor perfeccionamiento mediante la inclusión de marcadores biológicos, así como la evaluación de su utilidad clínica. De forma óptima, en un marco prospectivo, los modelos predictores deberían estudiarse más a fondo(AU)
OBJECTIVES: Numerous predictive models relating to prostate cancer staging and outcomes have been described. We sought to review and categorize these predictive tools to create a comprehensive reference for physicians who treat prostate cancer. METHODS: We performed a search of MEDLINE literature from January 1966 to April 2012 to identify predictive models relating to prostate cancer staging, treatment, and outcomes in the pre-treated patient. For each model identified, we describe the outcome predicted, the variables comprising the model, the size of the cohort on which the tool was developed, predictive discrimination estimates, and whether internal and/or external validation has been performed. RESULTS: We identified 80 predictive tools applicable to pre-treated prostate cancer patients, 30 of which had been externally validated. Tools designed to predict pathologic stage were the most common; several models focused on accurately predicting clinically insignificant prostate cancer while another large proportion focused on the prediction of locally advanced disease (i.e. extracapsular extension, seminal vesicle involvement, lymph node invasion). Other models described studied biochemical outcomes following radical prostatectomy, external beam radiotherapy, or brachytherapy. Very few models addressed the prediction of metastasis and survival. Finally, several tools incorporated novel pre-treatment serum biomarkers or magnetic resonance imaging findings into base models to enhance the accuracy of standard clinicopathologic variables(AU)
CONCLUSION: To deliver optimal, individualized prostate cancer care, treatment should be tailored to the specific characteristics of each patient and each tumor. Predictive models may facilitate such an approach and are numerously described in the literature. While the performance of predictive models is encouraging, further improvement through inclusion of biomarkers as well as evaluation of their clinical utility is imperative. Optimally, predictive models should be further studied in the prospective setting(AU)