Pronóstico y predicción en glioblastoma con biomarcadores de imagen basados en modelos matemáticos

  1. Pérez Beteta, Julián
Dirigida per:
  1. Víctor Manuel Pérez García Director/a
  2. Alicia Martínez Gónzalez Directora
  3. Estanislao Arana Fernández de Moya Director/a

Universitat de defensa: Universidad de Castilla-La Mancha

Fecha de defensa: 29 de de juliol de 2019

Tribunal:
  1. Tomás Alarcón Cor President/a
  2. Juan Manuel Sepúlveda Sánchez Secretari/ària
  3. Pilar Piñero González de la Peña Vocal

Tipus: Tesi

Resum

El glioblastoma es el tumor cerebral primario más maligno y letal conocido. Actualmente, la supervivencia media de los pacientes diagnosticados con esta enfermedad es de algo más de un año si se aplica el tratamiento estándar, que consiste en la máxima resección posible del tumor y posteriores sesiones de radioterapia y quimioterapia. La respuesta es variable, y en el caso de GBM múltiples, las cifras de supervivencia se reducen a 8-10 meses. Entender la malignidad de esta enfermedad tan letal es de gran interés. La publicación de trabajos radiómicos ha crecido notablemente en los últimos años. La hipótesis principal de estos trabajos es que a partir de las imágenes médicas, se pueden extraer medidas de diferentes características del tumor que podrían estar relacionadas con la enfermedad del paciente. Paralelamente, también ha experimentado un auge la publicación de otros estudios cuya base es la modelización matemática de estas enfermedades. Mediante ecuaciones matemáticas, compuestas por variables y parámetros relacionados con características de la enfermedad, se simula en el ordenador el crecimiento de la enfermedad o la respuesta a determinados tratamientos. Es una herramienta muy potente como fuente para lanzar hipótesis. En esta tesis, nuestro objetivo principal fue analizar si la morfología del glioblastoma, visualizada en imágenes médicas de resonancia magnética utilizadas de rutina para el diagnóstico, podría estar relacionada con la agresividad del tumor y la respuesta al tratamiento. Para llevar a cabo este objetivo abordamos los siguientes problemas: Diseñamos nuevos biomarcadores morfológicos, con alto sentido físico para un futuro uso en clínica, basados en algoritmos matemáticos de crecimiento de glioblastoma. Para que los resultados fueran robustos, recopilamos la mayor cantidad posible de exploraciones de alta resolución, facilitadas por los hospitales colaboradores. También recopilamos exploraciones de un repositorio público internacional de cáncer, y concretamente de glioblastoma, para contrastar y validar nuestros resultados. Todos los biomarcadores se cuantificaron de manera precisa, previa recopilación de exploraciones reales de resonancia magnética de alta resolución espacial, y el desarrollo de una nueva metodología de extracción y cuantificación en 3D de características morfológicas del tumor a partir de estas imágenes médicas. Analizamos el valor pronóstico de cada uno de estos biomarcadores, relacionando su magnitud con el tiempo de supervivencia de los pacientes y sus tratamientos. Elaboramos modelos matemáticos pronóstico para cuantificar si la combinación de estos biomarcadores incrementaba la clasificación pronóstica. Para evitar efectos de ``overfitting'', en estos modelos debíamos incorporar un número reducido de variables en los modelos. Finalmente, analizamos el valor predictivo de los resultados obtenidos con las simulaciones del modelo de crecimiento de glioblastoma. Para ello comparamos estos resultados con los obtenidos de los pacientes reales.