Pôster apresentado no XIX Congresso Brasileiro de Cancerologia - CONCAN, de 24 a 27 de Outubro de 2012

1. Análise de sobrevida de pacientes pediátricos com tumores cerebrais
com método de aprendizagem automatizada: árvore de decisão pelo
método de partição recursiva
FRANCISCO HELDER CAVALCANTE FELIX (1)1; JULIANA COSTA ALBUQUERQUE (2)2; JUVENIA BEZERRA
FONTENELE (3)3.
1-HOSPITAL INFANTIL ALBERT SABIN, FORTALEZA - CE – BRASIL
2,3-UNIVERSIDADE FEDERAL DO CEARÁ, FORTALEZA - CE - BRASIL.
Glioma
baixo
grau Outros
Outros locais
A B
Outros locais
RT sim
Outros
Na figura acima, os nodos contém informação sobre o desfecho: o valor da estatística usada para regressão (modelo exponencial, nesse caso), equivalente
ao risco relativo, número de eventos e número de indivíduos em cada nodo e porcentagem do total em cada nodo Exemplo: 22% dos pacientes tinham
glioma de baixo grau, com um risco relativo do evento (óbito) de 0,24 (primeiro nodo terminal – folha).
Bibliografia:
Glioma
baixo
grau
Outros
Ponte
Não
Biópsia
Bou-Hamad I, Larocque D, Ben-Ameur H. A review of survival trees. Statist
Surv 5:44-71, 2011.
Breiman L., Friedman JH, Olshen RA, Stone, CJ. Classification and
Regression Trees. Wadsworth, Belmont, Ca, 1983.
Crichton NJ, Hinde JP, Marchini J. Models for diagnosing chest pain: is
CART helpful? Stat Med, 16:717–727, 1997
Therneau, T. and Atkinson, E. Technical Report 61 - An introduction to
recursive partitioning using the RPART routine. Section of Biostatistics,
Mayo Clinic, Rochester, 1997
Introdução: Estudos com
dados censurados são
numerosos na área médica. O
modelo de regressão com
riscos proporcionais de Cox e
suas extensões são usados
com frequência. Estes métodos
paramétricos e
semiparamétricos permitem
interpretação simples dos
efeitos das covariáveis e
inferência. Todavia, estes
modelos forçam a escolha de
relações específicas entre as
covariáveis e a resposta, as
quais são especificadas pelo
analista. Árvores e florestas de
decisão são alternativas não-paramétricas
populares. Elas
podem detectar (“aprender”)
automaticamente algumas
relações não pré-especificadas.
A árvore de
decisão pode ser definida
como uma estrutura que pode
ser usada para dividir uma
grande quantidade de registros
sucessivamente em conjuntos
menores de registros,
aplicando-se uma seqüência
simples de regras de decisão.
A cada divisão sucessiva, os
membros do subconjunto
resultante tornam-se cada vez
mais semelhantes entre si.
Metodologia: Os dados vêm de
dois projetos de pesquisa em
andamento, através da análise
retrospectiva de prontuários de
pacientes de 0-18 anos diagnosticados
com tumor cerebral entre 2000 e 2010.
Foram construídas árvores de decisão
semi-supervisionadas, onde as classes
foram escolhidas previamente, porém
foram agrupadas automaticamente. Foi
utilizado o método de construção de
árvores de sobrevida proposto por
Breiman et al (CART), com a ajuda do
pacote rpart da linguagem de
programação estatística R. A resposta
foi avaliada utilizando-se o tempo de
sobrevida entre o diagnóstico e a
censura ou evento (óbito por qualquer
causa). O gráfico de erro vs.
complexidade e residuais foram
checados. Utilizou-se o método de
poda baseado no parâmetro de
complexidade, a fim de retirar as
ramificações menos importantes e
originar um subconjunto aninhado,
formando uma árvore menor e mais
robusta.
Ponte
Outros locais
RT sim
Não
Outros Biópsia
Restante Outros
Resultados: Foram incluídos 227 pacientes. Uma árvore de sobrevida foi construída com 21 nodos (ramificações), sendo
11 terminais (folhas), incluindo como variáveis das folhas a topografia (ponte+diencéfalo vs. restante), distância da localidade
do paciente ao município do centro hospitalar (≥ 391km), radioterapia (RT), histologia (tumores embrionários vs. outros), região
do estado (norte-noroeste vs. centro-sul). Após a poda, a árvore final foi obtida com 9 nodos, sendo 5 terminais. Os
subconjuntos discretos de pacientes (folhas) selecionados foram (ordem da maior para a menor sobrevida): portadores de
gliomas de baixo grau (22% do total, razão de risco (RR) = 0.24), pacientes com as demais histologias que receberam RT
(35% do total, RR = 0.73), pacientes com as demais histologias que não receberam RT e sofreram ressecção completa (16%
do total, RR = 1.1), pacientes do último grupo com ressecção parcial (11% do total, RR = 2,9) e, por fim, portadores de tumores
pontinos (15% do total, RR = 2,9).
Conclusões:: A abordagem de aprendizagem automatizada com árvores de sobrevida por partição recursiva é um
atraente método complementar à análise de sobrevida por regressão convencional. Através deste estudo, confirmamos algumas
observações da literatura e encontramos nuances novas na relação entre as variáveis e a sobrevida em crianças com tumores
cerebrais. Entre os achados, frisamos o impacto do agrupamento dos tumores pontinos numa categoria à parte, devido à sua
frequência e prognóstico diferenciado em crianças.
Diencéfalo
Ponte
RT sim
Não
D>391km <391km
Centro
-sul
Glioma alto
grau,
ependimoma
Cerebel
o
Outros locais
Como induzir uma árvore:
Existem vários algoritmos para gerar árvores de
decisão a partir de dados censurados, um dos mais
populares sendo o CART (Classification and
Regression Tree), introduzido por Breiman et al.
A idéia básica é particionar recursivamente o conjunto
de covariáveis a fim de formar grupos cada vez mais
similares em relação ao desfecho de interesse.
Os conceitos-chave são o critério de partição usado
(em sua maioria, derivados de estatísticas de testes
comuns, como logrank ou Cox) e o critério para
encerrar o crescimento da árvore. No caso deste
trabalho, por exemplo, usamos o método de poda: a
árvore cresce até um tamanho grande e, então, os
nodos são “podados” de acordo com um critério pré-especificado
(complexidade).
Árvore Podada
Árvore Inicial