Galano VK, Sagaró CNM, Zamora ML, Lambert MY, Mingui CE

Language: Spanish
References: 18
Page: 157-170
PDF size: 271.67 Kb.

ABSTRACT

Introduction: implicit statistical analysis (ASI) is a data mining technique, to model the quasi-implication between events and variables of a data set. Objective: to evaluate the utility of ASI in the identification of prognostic factors in evolution of renal cancer. Method: a case-control study was carried out to identify the prognostic factors that influence the evolution of renal cancer in patients treated at the Clinical Surgical Teaching Hospital "Hermanos Ameijeiras" in Havana, January 2006 to January 2016. This technique was applied together with the binary logistic regression, which was considered as a gold standard. Results: the binary logistic regression identified four prognostic factors, while the implicative statistical analysis identified nine. Conclusions: the implicative statistical analysis proved to be an appropriate technique, which complements the logistic regression in the identification of prognostic factors, allowing a more complete interpretation of the phenomenon of causality.

REFERENCES

1. Gras, R. Genese et developpement de l’analyse statistique implicative: retrospective Historique. Educ Matem Pesq São Paulo. 2014; 16(3):645-661.

2. Gras R, Suzuki E, Guillet F, Spagnolo F. Statistical Implicative Analysis. Theory and Applications. Berlin: Springer; 2008.

3. Gras R, Régnier JC, Lahanier-Reuter D, Marinica C, Guillet F. L'Analyse Statistique Implicative. Des Sciences dures aux Sciences Humaines et Sociales. 3ed. Francia: Cépaduès Editions; 2017.

4. Pita Fernández S, Valdés Cañedo FA. Determinación de factores pronósticos. Cad Aten Primaria. 1997; 4:26-29.

5. ¿Qué indican las estadísticas principales acerca del cáncer de riñón? American Cancer Society. Disponible en: https://www.cancer.org/es/cancer/cancer-derinon/ acerca/estadisticas-clave.html

6. Cuba. Dirección de Registros Médicos y Estadísticas de Salud. Anuario Estadístico de Salud 2017. La Habana: Dirección de Registros Médicos y Estadísticas de Salud; 2018.

7. Darias Martín JL, Rodríguez Collar TL. Influencia del estadio tumoral inicial en la sobrevida de pacientes con adenocarcinoma renal. Rev Cub Med Mil [en línea]. 2018 [citado 11 Feb 2019]; 47(1):33-42. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0138- 65572018000100005&lng=es

8. Jalón Monzón A, Álvarez Múgica M, Fernández Gómez JM, Martín Benito JL, Martínez Gómez F, García Rodríguez J. Adenocarcinoma de células renales: factores pronósticos y estadificación. Arch Esp Urol [en línea]. 2007 [citado 11 Feb 2019]; 60(2):125-136. Disponible en: http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S0004- 06142007000200004&lng=es

9. Giménez Bachs JM, Donate Moreno MJ, Salinas Sánchez AS, Pastor Navarro H, Carrión López P, Pastor Guzmán JM. Supervivencia en relación a los factores pronóstico en una serie de pacientes con carcinoma de células renales. Rev Arch Esp Urol [en línea]. 2007 [citado 15 Sep 2018]; 60(10):1167-1174. Disponible en: http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S0004- 06142007001000004&lng=es

10. Norman Pérez A, Chong López A, Pernas González A. Caracterización del cáncer renal, relación del tamaño tumoral y el grado nuclear con la supervivencia. Medimay [en línea]. 2014 [citado 9 Abr 2019]; 20(1):[aprox. 9 p.]. Disponible en: http://revcmhabana.sld.cu/index.php/rcmh/article/view/175

11. Bengió RG, Arribillaga L, Montedoro A, Bengió V, Epelde J, Esteban Cordero E, García H, et al. Impacto pronóstico del diámetro tumoral en pacientes con cáncer renal estadio pT3a. Arch Esp Urol. 2018; 71(5):480-485.

12. Shimizu Y, Iguchi T, Tamada S, YasudaS, KatoM, NinomiyaN, YamasakiT Nakatani T. Oncological outcomes classified according to metastatic lesions in the era of molecular targeted drugs for metastatic renal cáncer. Molecular And Clinical Oncology. 2018; 8:791-796.

13. Aguilera Bazán A, Alonso Dorrego JM, Linares E, Díez J, Quintana LM, Martínez Piñeiro L. Cáncer renal pT3a: infiltración grasa versus infiltración de vena renal. Arch Esp Urol. 2018; 71(5):474-479.

14. Páez Candelaria Y, Sagaró del Campo NM, Zamora Matamoros L. Análisis estadístico implicativo en la determinación de factores pronósticos del estado nutricional del paciente grave al egreso. MEDISAN [en línea] 2018 Jun [citado 11 Abr 2019]; 22(6):431-440. Disponible en: http://medisan.sld.cu/index.php/san/article/view/2002/pdf

15. García Mederos Yohani, Zamora Matamoros Larisa, Sagaró del Campo Nelsa. Análisis estadístico implicativo en la identificación de factores de riesgo en pacientes con cáncer de pulmón. MEDISAN [en línea]. 2015 [citado 9 Abr 2019]; 19(8): 947-957. Disponible en: https://www.redalyc.org/articulo.oa?id=368445178003

16. Moraga Rodríguez A, Zamora Matamoros L, Sagaró del Campo NM, Moraga Rodríguez A, Rodríguez Griñán A. Análisis estadístico implicativo para la identificación de factores pronósticos de la mortalidad por cáncer de pulmón. MEDISAN [en línea]. 2016 [citado 9 Abr 2019]; 20(3):344-353. Disponible en: http://www.medisan.sld.cu/index.php/san/article/view/613

17. Moraga Rodríguez A, Zamora Matamoros L, Sagaró del Campo NM, Moraga Rodríguez A, Rodríguez Griñán A. Análisis estadístico implicativo para la identificación de factores pronósticos de la mortalidad por cáncer de mama. MEDISAN [en línea]. 2017 [citado 9 Abr 2019]; 21(4):395-406. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1029- 30192017000400003

18. Moraga Rodríguez A, Zamora Matamoros L, Sagaró del Campo NM, Moraga Rodríguez A, Rodríguez Griñán A. Análisis estadístico implicativo para la identificación de factores pronósticos de la mortalidad por cáncer de próstata. MEDISAN. [en línea]. 2018 [citado 9 Dic 2018]; 22(1):48-56. Disponible en: http://medisan.sld.cu/index.php/san/article/view/1237