Comparando los modelos de cáncer de mama de CISNET utilizando la metodología de reducción máxima de incidencia clínica

ANTECEDENTES: La modelización colaborativa se ha utilizado para estimar el impacto de las estrategias de detección del cáncer potenciales en todo el mundo. Un paso necesario en la interpretación de los resultados de los modelos de detección del cáncer colaborativos es comprender cómo la estructura del modelo y las suposiciones del modelo influyen en las predicciones de incidencia y mortalidad por cáncer. En este estudio, examinamos las contribuciones relativas de la duración preclínica del cáncer de mama, la sensibilidad de la detección y la mejora en el pronóstico asociada con el tratamiento de los casos detectados por criba a las predicciones de incidencia y mortalidad por cáncer de mama de 5 modelos de la Red de Modelado de Intervención y Vigilancia del Cáncer (CISNET). MÉTODOS: Para desentrañar el impacto de la estructura y las suposiciones del modelo sobre las predicciones del modelo, el método de Reducción Máxima de Incidencia Clínica (MCLIR) compara los cambios en el número de cánceres de mama diagnosticados debido a síntomas clínicos y mortalidad por cáncer entre 4 escenarios simplificados: 1) sin detección; 2) examen de detección perfecto único, que detecta todos los cánceres existentes y tratamiento perfecto (es decir, curación) de todos los cánceres detectados por pantalla; 3) mamografía digital única y tratamiento perfecto de todos los cánceres detectados por pantalla; y 4) mamografía digital única y tratamiento conforme a las directrices actuales de todos los cánceres detectados por pantalla. RESULTADOS: Los 5 modelos predijeron un amplio rango en la máxima incidencia clínica (19% a 71%) y en la reducción de mortalidad por cáncer de mama (33% a 67%) de una prueba de detección perfecta única y tratamiento perfecto. En este escenario perfecto, los modelos con suposiciones de inicio tumoral antes de que sea detectable por mamografía predijeron reducciones de incidencia y mortalidad sustancialmente más altas que los modelos con suposiciones de inicio tumoral al comienzo de la fase detectable por mamografía de un cáncer. El rango entre modelos en la incidencia clínica de cáncer de mama (11% a 24%) y la reducción de mortalidad (8% a 18%) de una mamografía digital única a los 62 años con sensibilidad observada y tratamiento conforme a las directrices actuales fue considerablemente más pequeño que el alcanzable en condiciones perfectas. CONCLUSIONES: El momento del inicio tumoral y su efecto sobre la duración de la fase preclínica del cáncer de mama tuvo un impacto substancial en el agrupamiento de modelos según sus predicciones de incidencia clínica y reducción de mortalidad por cáncer de mama. Este hallazgo clave sobre el momento del inicio tumoral se incluirá en futuros análisis de cáncer de mama de CISNET para mejorar la transparencia del modelo. El enfoque del MCLIR debería ayudar en la interpretación de las variaciones en los resultados del modelo y podría adoptarse en otros entornos de detección de enfermedades para mejorar la transparencia del modelo.