Universidade Federal de São Carlos

Centro de Ciências Exatas e de Tecnologia

Departamento de Estatística

Análise estatístico do Modelo Destrutivo em

experimentos quimiopreventivos do câncer.

KATHERINE ELIZABETH COAGUILA ZAVALETA

Orientador: Dr. JOSEMAR RODRIGUES

UFSCar - São Carlos/SP

Janeiro/2011

1
1 Introdução

Estudos clínicos sobre o tratamento contra o câncer avaliam novos re-

gimes terapêuticos em pessoas com câncer. Um objetivo é encontrar melhores
maneiras de tratar o câncer. Os experimentos clínicos podem provar muitos tipos
de tratamentos, novos medicamentos e novos métodos de cirurgia ou radioterapia.
A procura de novos tratamentos começa no laboratório, onde cientistas testam
as novas ideias. Se um método parece promissor o passo seguinte é um análise
em animais, investigando o efeito do agente químico contra o câncer, em especial
se causam efeitos nocivos na vida deles. Esta pesquisa emprega muitos tipos de
mamíferos diferentes, desde ratos até macacos. Com certeza os tratamentos que
funcionam no laboratório nem sempre funcionam da mesma forma nas pessoas.
Então se uma modalidade terapêutica mostra eficácia particular num modelo ani-
mal, em seguida, passamos a uma fase de estudos clínicos em humanos. Nesses
experimentos, os pesquisadores analisam se os tratamentos promissores são tão
seguros e eficientes como os experimentos em animais.
Cinco modelos animais tem sido desenvolvidos para testar compostos em câncer:
pele, mama, pulmão, vesícula e cólon. O objetivo é avaliar o efeito de um de-
terminado tratamento na taxa de incidência de câncer. O estudo é baseado na
sobrevivência das células cancerígenas transformadas em tumores. O contexto
é apresentado no modelo destrutivo formulado por Rodrigues et al.(2009). Os
dados são apresentados à partir de duas variáveis aleatórias:

i ) O número de tumores promovidos em cada animal;

ii ) O tempo de detecção do tumor gerado.

Neste contexto, os modelos animais que apresentam câncer de pulmão, vesícula

e cólon não fornecem informações sobre a distribuição do tempo de detecção do
tumor, isto é, os tumores não são observados porque não podem ser apalpados.
Portanto nós exploramos o modelo de câncer de mama em ratos, apresentando
um análise estatística da quimioprevenção do câncer, com interesse muito forte
na identificação e avaliação de agentes químicos que podem prevenir o câncer em
seres humanos.

2
2 Modelo Destrutivo

O modelo proposto por Kokoska (1987) é apresentado no contexto do

modelo destrutivo formulado por Rodrigues et al.(2009). O modelo destrutivo é
caracterizado pelos seguintes estágios:

I. Estágio de iniciação
O estágio de iniciação é o primeiro estágio da carcinogênese. Nele as célu-
las sofrem o efeito dos agentes cancerígenos ou carcinógenos que provocam
mutação na estrutura genética das células. Nesta fase um número inicial de
células se encontram, geneticamente alteradas ou danificadas, porém ainda
não é possível se detectar um tumor clinicamente. Encontram "preparadas",
ou seja, "iniciadas", para transformar em células malignas tornando-se tu-
mores.
Seja M o número de tumores (ou células iniciadas) induzidos no animal,
o modelo assume que a variável aleatória M segue uma distribuição de
probabilidade,

P (M = m) m = 0, 1, 2, . . . .

II. Estágio de destruição

O estágio de destruição é um estágio intermediário da carcinogênese. O
estudo desses experimentos quimiopreventivos em animais será apresentado
no contexto do modelo destrutivo proposto por Rodrigues et al.(2009). An-
tes do tratamento quimiopreventivo o animal foi exposto aos agentes can-
cerígenos, após do tratamento o animal será apalpado continuamente para
verificar e marcar o aparecimento dos tumores.
Supondo que a duração do experimento seja d e o tempo de vida do i-ésimo
rato é t∗i .
Seja Dij uma variável aleatória i.i.d. com distribuição comum de Bernoulli,
independentes de M e p = F (t∗i ; α, β) a probabilidade de sucesso, onde
sucesso significa a presença do j-ésimo tumor detectado.

1 , foi detectado um tumor no i-ésimo rato antes do tempo t∗ ;

i
Dij =
0 , caso contrario.


com i = 1, 2, . . . , n e j = 1, . . . , Mi .

3
 Seja Mi∗ a variável que representa o número total de tumores detectados
dentre os Mi células iniciadas, no i-ésimo animal. O modelo destrutivo
formulado para nosso trabalho é dado na seguinte forma:

Di1 + Di2 + . . . + DiM , se Mi > 0;

∗ i
Mi =
0

, se Mi = 0.

onde Mi∗ ≤ Mi significa destruição.

Seja Tij a variável aleatória que representa o tempo de detecção do j-ésimo
tumor observado em cada animal e assume a função densidade de probabi-
lidade f (tij ), t > 0.
Uma principal diferença entre o modelo destrutivo proposto neste trabalho
ver Freedman et al.(1993) e o modelo destrutivo proposto por Rodrigues et
al.(2009), é que o número de tumores promovidos pelas células iniciadas e
o tempo de detecção de cada tumor são observados.

Observações

1. Se t∗i < d, significa que o rato morreu antes de finalizar o experimento,

isto é, uma desvantagem por que não permite continuar na observação de
tumores, sendo assim censurado.

2. Se t∗i = d, significa que o rato sobreviveu até finalizar o experimento,ou seja,

o animal é sacrificado para permitir a confirmação histológica dos tumores
observados, a fim de encontrar menos tumores.

3. Se Mi∗ < Mi , significa que houve destruição das celulas iniciadas a fim de
encontrar menos tumores gerados.

4. Se Mi∗ = Mi , não houve destruição, no sentido que o tratamento não fez

nenhum efeito possível no animal.

Seja a distribuição de probabilidade condicional ao tempo de vida do i-ésimo rato

dada por:
∞
X
P [Mi∗ = m∗i |t∗i ] = P [Mi∗ = m∗i |Mi = mi ]P [Mi = mi ]
mi =0
∞  
X mi m∗i ∗
= P [Mi = mi ] ∗
p (1 − p)mi −mi
m =0
mi
i

Portanto, a variável do número de tumores é atualizada por a variável destrutiva.

4
3 Máxima verossimilhança

Com o propósito de estimar os parâmetros de interesse, será utilizado o

método de máxima verossimilhança. Suponhamos que no experimento tenhamos
grupo de n animais, a função de verossimilhança é dado por:
 ∗  
n mi ∞  
Y Y X mi ∗
L= m∗i !  f (tij ) ∗
(1 − F (t∗i ))mi −mi P (mi ) (1)
  m =0 mi
i=1 j=1 i

onde F (t) é a distribuição acumulada da função densidade f (t). Esta é a função

de verossimilhança geral que abordará diferentes distribuições para nosso pro-
blema.
O modelo proposto por Kokoska (1987) faz uso da distribuição de Poisson para
o número de tumores e uma distribuição Gama para os tempos de detecção dos
tumores. Thompson(1979), realizou uma análise de experimentos semelhantes da
quimioprevenção de câncer, onde encontraram uma heterogeneidade significativa
no número de tumores observados, devido à susceptibilidade de cada animal.

Nós propomos o modelo Binomial Negativo para um melhor ajuste do

modelo, assim como o modelo Weibull para os tempos de detecção dos tumores.
Consideramos as distribuições de forma paramétrica. A seguir apresentaremos
uma tabela que ilustra as distribuições a serem analisadas.

Tabela 1: Modelos Paramétricos.

Variável aleatória Distribuição P (m)

Número de Poisson(λ) eλ λm /m!
 
N +m−1 N
tumores, M BN(N, θ) θ (1 − θ)m
m

f (t)
Tempo de detecção Gamma(α, β) tα−1 /[β α Γ(α)] exp (−t/β)
do tumor, T Weibull(b, c) ctc−1 /bc exp {−(t/b)c }

5
4 Interpretação dos parâmetros do modelo

Os parâmetros utilizados pelo modelo que necessitam ser ajustados são:

• λ̂ é uma estimativa do número médio de tumores promovidos por animal,

claramente é o número esperado de tumores de todos os animais sobrevi-
ventes até o tempo final do experimento. Note-se que λ̂ está em função do
número de tumores observados e em função de distribuição do tempo de
detecção (Dist. Poisson).

• µ̂ = α̂β̂ que representa o tempo médio de detecção do tumor (Dist. Gama);

ˆ θ̂ representa o número médio de tumores promovidos por

• η̂ = N (1 − θ)/
animal (Dist. Binomial negativa);

• dˆ = b̂Γ(1 + 1/ĉ) é o tempo médio de detecção do tumor (Dist. Weibull).

5 Aplicação

Os dados são provenientes de um experimento realizado na Universidade

do Alabama, em Birmingham, onde não identificam o agente quimiopreventivo
que está sendo testado, ver Freedman et al.(1993).
Problema
Realizou-se um experimento com dois grupos de 30 ratos fêmeas e foram atribuí-
dos aos tratamentos de controle ou tratamento com o agente quimiopreventivo,
antes, durante e depois da indução química das substâncias cancerígenas. Os
animais foram examinados semanalmente, apalpando os tumores mamários. To-
dos os ratos que morreram e os que foram sacrificados ao final do experimento
de 280 dias, foram examinados na necropsia, para conferir o número de tumores
apalpados em vida. Os dados são apresentados na tabela.

6
7
 Os resultados do ajuste dos modelos são apresentados nas Tabelas 2 e 3,
mostrando os parâmetros estimados seguido de um teste de hipóteses por médio
do teste da razão de verossimilhança.

Tabela 2: Resultados com o Modelo de Poisson.

P (m)/f (t) λ̂(DP ) α̂, β̂, µ̂(DP ) −2logL T RV (λ1 = λ2 ) ω%

Po/Gama λ1 = 1, 14(0, 26) α1 = 4, 49(1, 19) 960, 1 6, 03 0, 01
λ2 = 2, 04(0, 33) α2 = 5, 53(1, 10)
β1 = 29, 26(18, 7)
β2 = 25, 01(11, 1)
µ1 = 131, 3
µ2 = 138, 4
Po/Weibull λ1 = 1, 17(0, 25) c1 = 2, 140(0, 38) 962, 9 6, 02 0, 01
λ2 = 1, 98(0, 29) c2 = 2, 560(0, 34)
b1 = 166, 8(24, 4)
b2 = 163, 9(12, 6)
d1 = 147, 7
d2 = 145, 5

A seguir mostramos a tabela 3 com resultados do Modelo Binomial Negativo, e

combinações.
As estimativas de (η1 e η2 ) do modelo Binomial negativa estão mais próximas
uma das outras do que as estimativas de (λ1 e λ2 ) do modelo de Poisson. Além
disso, os erros padrão de η1 e η2 foram quase duas vezes maiores comparados com
os erros de λ1 e λ2 . Isto levou a um resultado não significativo para o teste de
significância de igualdade entre as distribuições binomial negativa nos dois gru-
pos.
Uma observação adicional é que a log-verossimilhança do modelo Binomial nega-
tivo era muito maior do que o modelo de Poisson. Na próxima seção, apresen-
tamos métodos para avaliar se um determinado modelo paramétrico fornece um
bom ajuste aos dados observacionais.

8
 Tabela 3: Resultados com o Modelo de Binomial Negativa.

P (m)/f (t) η̂(DP ) |α̂, β̂, µ̂(DP ) −2logL T RV (η1 = η2 ) ω%

BN/Gama η1 = 1, 42(0, 50) α1 = 3, 79(1, 23) 917, 6 1, 21 0, 55
η2 = 2, 16(0, 59) α2 = 4, 59(1, 11)
β1 = 41, 8(19, 1)
β2 = 33, 9(10, 7)
µ1 = 158, 422
µ2 = 155, 601
BN/Weibull η1 = 1, 38(0, 48) c1 = 2, 230(0, 40) 920, 1 1, 22 0, 54
η2 = 2, 06(0, 55) c2 = 2, 630(0, 34)
b1 = 172, 7(26, 4)
b2 = 164, 4(12, 1)
d1 = 152, 96
d2 = 146, 07

6 Avaliando o Teste Goodness of Fit

Para avaliar se um modelo paramétrico fornece um melhor ajuste aos

dados, outros métodos são necessários para avaliar se é adequado ou não. Neste
trabalho propomos um teste estatístico que avalia o ajuste para o número obser-
vado de tumores por meio do Teste Goodness of Fit.
Utilizaremos o teste Qui-quadrado (χ2 ) para determinar a qualidade do ajuste
entre os dados teóricos e experimentais. Neste teste, comparamos os valores ob-
servados com valores teóricos ou esperados. Os valores observados são aqueles
que obtém-se empiricamente através de observação direta; valores teóricos ou
esperados são desenvolvidos com base em algumas hipóteses.

6.1 Número observado de tumores

Se um animal é censurado, isto é, se ele morre em t∗i , uma atualização

dos parâmetros dos modelos para o número de tumores observados ocorre.
O modelo de Poisson é atualizado com parâmetro λF (t∗i ) e o modelo de Binomial
θ
negativo com parâmetros (N, θ+(1−θ)F (t∗ )
).
i

Assim, sob estes modelos que temos investigado podemos estimar a probabilidade

9
do número de tumores observados (M ∗ ), para qualquer valor de M . O teste de
Goodness of fit, pode ser utilizado para avaliar se há discrepâncias significativas
entre o número de tumores observados e esperados. A seguir apresentamos a
Tabela 4, que mostra os resultados deste processo assumindo a distribuição.

Tabela 4: Goodness of Fit para (M ∗ ).

M∗ N P oisson BN
0 27 16, 96 29, 0
1 17 19, 06 12, 0
2 5 13, 10 6, 7
3-5 11 10, 20 12, 2
Qui-quadrado 11, 24 3, 01
gl 2 2
ρ 0, 004 0, 22

Nestes modelos se mostrou que χ2 > ρ, por tanto a hipóteses nula é rejeitada, isto
é, os animais não tem o mesmo número de aparecimento dos tumores. Resultados
da tabela 4 mostram que o melhor modelo para ajustar aos dados é o modelo
binomial negativo.

7 Considerações finais

• A ideia destrutiva nasce quando o rato morre antes, então não todos os
tumores são detectados e os parâmetros das distribuições são atualizadas.

• A análise que apresentamos é uma forma de avaliar o efeito do agente qui-

miopreventivo contra o câncer.

• Consideramos modelos paramétricos, pois se não especificar nenhuma forma

particular de f (t), então nós sempre teríamos que considerar que a maioria
dos tumores se desenvolvem somente após do experimento finalizado.

• Para os modelos que parecem ser consistentes com os dados, as estimati-

vas dos parâmetros podem ser obtidos com simples métodos de máxima
verossimilhança.

10
 • O Teste Goodness of fit permitiu uma escolha do modelo que melhor se
ajustou aos dados, mostrando neste trabalho que foi o Modelo binomial
negativo para o número dos tumores observados.

• Para estes nossos dados a análise indica que o agente pode estar aumentando
a taxa de mutação dos tumores, então este agente não é eficiente contra o
câncer.

8 Propostas Futuras

• Poderíamos fazer um análise intervalar para os tempos de detecção, logo

aplicando o teste Goodness of fit para a escolha do modelo.

• Analisar métodos não paramétricos ou semiparamétricos para avaliar a efi-

cácia dos agentes e ser comparados.

• Propomos abordar o problema pela Inferência Bayesiana, também da esta-

tística CPO e suas aplicações para a seleção de modelo.

11
Referências
[1] Colosimo, E.A.; Ruiz, S., Análise de sobrevivência aplicada, São Paulo: Ed-
gard Blücher,2006.

[2] Thompson, H.J.; Becci, P.J.; Brown, C.C.; Moon, R.C., Effect of the dura-
tion of retinyl acetate feeding on inhibition of 1-Methyl-1nitrosourea-induced
mammary carcinogenesis in the rat, Cancer Research 39:3977-3980, 1979.

[3] Kokoska, S.M., Including data from early deaths in the analysis of câncer
chemoprevention experiments, Departament of Mathematics, Colgate Uni-
versity, Hamilton, New York, 13346-1398, 1988.

[4] Freedman, L.; Midthune, D.; Brown, Ch.;Steele, V.; Kelloff, G., Statisti-
cal Analysis of Animal Cancer Chemoprevention Experiments, Biometrics,
49:259-268, 1993

[5] Rodrigues, J.; Cancho; V.; Castro, M., A bayesian destrutive weighted pois-
son cure rate model and an application to a cutaneous melanoma data, Es-
tatistics in medicine, Statist, Med.00:1-20, 2009

12