RESUMO
Objetivos: Validar y analizar la utilidad clínica de un modelo predictivo de cáncer de próstata que incorpora el biomarcador «[-2] proantígeno prostático específico» a través del índice de salud prostática (PHI) en la toma de decisión para realizar una biopsia de próstata. Material y métodos: Se aisló suero de 197 varones con indicación de biopsia de próstata para la determinación del antígeno prostático específico total (tPSA), fracción libre de PSA (fPSA) y [-2] proPSA (p2PSA); el PHI se calculó como p2PSA/fPSA × √tPSA. Se crearon 2 modelos predictivos que incorporaban variables clínicas junto a tPSA o a PHI. Se evaluó el rendimiento de PHI usando análisis de discriminación mediante curvas ROC, calibración interna y curvas de decisión. Resultados: Las áreas bajo la curva para el modelo tPSA y el modelo PHI fueron de 0,71 y 0,85, respectivamente. PHI mostró mejor capacidad de discriminación y mejor calibración para predecir cáncer de próstata, pero no para predecir un grado de Gleason en la biopsia ≥7. Las curvas de decisión mostraron un beneficio neto superior del modelo PHI para el diagnóstico de cáncer de próstata cuando el umbral de probabilidad está entre 15 y 35% y un mayor ahorro (20%) en el número de biopsias. Conclusiones: La incorporación de p2PSA a través de PHI a los modelos predictivos de cáncer de próstata mejora la exactitud en la estratificación del riesgo y ayuda en la toma de decisión sobre realizar una biopsia de próstata
Objectives: To validate and analyse the clinical usefulness of a predictive model of prostate cancer that incorporates the biomarker «[-2] pro prostate-specific antigen» using the prostate health index (PHI) in decision making for performing prostate biopsies. Material and methods: We isolated serum from 197 men with an indication for prostate biopsy to determine the total prostate-specific antigen (tPSA), the free PSA fraction (fPSA) and the [-2] proPSA (p2PSA). The PHI was calculated as p2PSA/fPSA × √tPSA. We created 2 predictive models that incorporated clinical variables along with tPSA or PHI. The performance of PHI was assessed with a discriminant analysis using receiver operating characteristic curves, internal calibration and decision curves. Results: The areas under the curve for the tPSA and PHI models were 0.71 and 0.85, respectively. The PHI model showed a better ability to discriminate and better calibration for predicting prostate cancer but not for predicting a Gleason score in the biopsy ≥7. The decision curves showed a greater net benefit with the PHI model for diagnosing prostate cancer when the probability threshold was 15-35% and greater savings (20%) in the number of biopsies. Conclusions: The incorporation of p2PSA through PHI in predictive models of prostate cancer improves the accuracy of the risk stratification and helps in the decision-making process for performing prostate biopsies
