MyGeneRisk Colon: Una herramienta web para la predicción personalizada del riesgo de cáncer colorrectal basada en la genética y el estilo de vida

El cáncer colorrectal (CCR) sigue siendo una de las principales causas de mortalidad relacionada con el cáncer, y se observa un aumento particularmente alarmante en la incidencia entre las personas menores de 50 años.^[1] El cribado, como la colonoscopia, reduce sustancialmente el riesgo de desarrollar CCR y morir a causa de este. Aunque las recomendaciones de cribado en los EE. UU. se han reducido en los últimos años a los 45 años^[2], más de la mitad de los casos de inicio temprano se diagnostican antes de los 45 años,^[3], lo que pone de manifiesto la necesidad de mejorar la estratificación del riesgo para informar sobre estrategias de prevención personalizadas.

La prevención eficaz del CCR se basa en una evaluación precisa del riesgo; sin embargo, los factores de riesgo tradicionales, como los antecedentes familiares, están ausentes en más del 80% de los casos de CCR. El descubrimiento de más de 200 loci de riesgo genético comunes para el CCR^[4]–^[17] ha impulsado el desarrollo de puntuaciones de riesgo poligénico (PRS), que agregan los pequeños efectos de los distintos variantes genéticas de susceptibilidad^[4]–^[10],^[18]. Los modelos PRS que incluyen variantes de todo el genoma más allá de los loci establecidos han demostrado una mayor precisión en la predicción del riesgo de CCR.^[16] Además, el rendimiento predictivo se mejora significativamente cuando las PRS se integran con factores de estilo de vida, como la obesidad, el tabaquismo, el consumo de carne roja y el consumo de alcohol.^[19] La naturaleza multifactorial del CCR presenta la oportunidad de desarrollar modelos integrales de predicción del riesgo que combinen los determinantes genéticos y del estilo de vida.

A pesar de este progreso científico,^[16],^[20]–^[26], las herramientas clínicas de fácil acceso para la evaluación del riesgo de CCR mejorada con PRS siguen siendo limitadas. La mayoría de los modelos existentes se desarrollaron principalmente en poblaciones de ascendencia europea, lo que los hace menos precisos y transferibles a diversos grupos raciales y étnicos, limitando así su utilidad clínica más amplia. Además, existe una brecha persistente entre los avances científicos en el modelado del riesgo y su traducción en herramientas de fácil uso y accesibles al público. Esta brecha a menudo se agrava por una participación comunitaria limitada. Sin una participación significativa de la comunidad, los científicos pueden pasar por alto las preocupaciones del público, las implicaciones éticas y la usabilidad de los modelos de riesgo, lo que dificulta la traducción de los prometedores avances científicos en aplicaciones del mundo real.^[27]

Para superar estas importantes deficiencias, desarrollamos MyGeneRisk Colon. Este portal web fácil de usar combina la información del estilo de vida proporcionada por el usuario con las PRS calculadas a partir de los datos de genotipado sin procesar de los usuarios, que las personas pueden descargar directamente de los servicios de pruebas genéticas de consumo directo (DTC-GT) (por ejemplo, Ancestry.com y 23andMe). Consideramos que MyGeneRisk Colon es una prueba de concepto para demostrar que los cálculos complejos de PRS de todo el genoma y la imputación se pueden realizar en tiempo real para generar informes de riesgo claros y prácticos. Una característica tecnológica clave es la capacidad de la plataforma para imputar millones de variantes genéticas basándose en los datos genéticos de DTC-GT cargados y calcular una PRS de todo el genoma en tiempo real, completando el análisis en cuestión de minutos mientras el usuario responde a las preguntas sobre el estilo de vida.

El modelo de predicción subyacente se desarrolló rigurosamente basándose en estudios amplios y diversos. En particular, derivamos las estimaciones de riesgo relativo para los factores del estilo de vida a partir de datos armonizados de participantes individuales de dieciséis cohortes prospectivas diversas con más de 670.000 individuos (~17.000 casos de CCR) y calculamos el riesgo absoluto utilizando datos de estadísticas nacionales de cáncer. Se incorporó al modelo una PRS de todo el genoma derivada de 100.204 casos de CCR y 154.587 controles. La PRS se validó de forma independiente en poblaciones asiáticas, negras o afroamericanas, hispanas y blancas no hispanas.^[16] Aunque la plataforma está diseñada actualmente para la creciente población de individuos que ya tienen sus datos de DTC-GT, establece una infraestructura técnica y de informes que se puede integrar en los registros electrónicos de salud para la atención clínica de rutina y ampliar a otras enfermedades complejas. Este documento detalla el desarrollo del modelo, la arquitectura del portal, las medidas de seguridad de los datos y el proceso de participación comunitaria. En última instancia, esta plataforma fácil de usar tiene como objetivo comunicar eficazmente el riesgo de CCR personalizado, lo que permite a las personas y a los proveedores de atención médica tomar decisiones informadas y basadas en la evidencia sobre la prevención.

Resultados

Muestra del estudio

Dado que nuestro objetivo era desarrollar modelos de predicción del riesgo para estimar el riesgo de desarrollar CCR, incluimos estudios de cohortes o estudios de cohortes anidados con datos clínicos y epidemiológicos. En total, incluimos 16 cohortes que representan poblaciones diversas con 673.265 individuos (17.355 casos de CCR): Black Women’s Health Study (BWHS), Campaign Against Cancer and Heart Disease (CLUE II), Cancer Prevention Study II (CPS II), Health Professionals Follow-up Study (HPFS), The Japan Public Health Center-based prospective Study (JPHC), Melbourne Collaborative Cohort Study (MCCS), Multiethnic Cohort Study (MEC), Nurses’ Health Study (NHS), Nurses’ Health Study II (NHSII), Physician’s Health Study (PHS), Prostate, Lung, Colorectal and Ovarian Cancer Screening Trail (PLCO), Southern Community Cohort Study (SCCS), Swedish Mammography Cohort and Swedish Men Cohort (SMC_COSM), UK Biobank (UKB), VITamins And Lifestyle (VITAL) y Women’s Health Initiative (WHI). Las estadísticas descriptivas de estos estudios se muestran en la Tabla 1, y se proporcionan más detalles en los materiales suplementarios.

Factores del estilo de vida

Seleccionamos factores de riesgo conocidos o putativos asociados con el riesgo de CCR, incluidos los rasgos antropométricos, los factores de comportamiento, la dieta, los factores farmacológicos y el historial médico. En concreto, incluimos la altura, el índice de masa corporal, el estado de tabaquismo, los años de tabaquismo, el consumo de alcohol, los factores dietéticos (ingesta de suplementos de calcio, carne roja y fruta), el uso regular de aspirina, el uso regular de antiinflamatorios no esteroideos (AINE) no aspirínicos, el uso regular de hormonas posmenopáusicas, los antecedentes de diabetes mellitus tipo 2, los antecedentes de endoscopia (colonoscopia o sigmoidoscopia) y los antecedentes familiares de primer grado de CCR. Para distinguirlos de los factores genéticos, nos referimos a ellos como "factores del estilo de vida" a lo largo del documento.

Debido a la alta correlación entre la ingesta de carne roja y carne procesada, y entre la ingesta de verduras y frutas, solo incluimos la ingesta de carne roja y fruta en el modelo de riesgo. En los estudios, la información sobre los factores de riesgo se recopiló mediante entrevistas personales y/o cuestionarios estructurados autoadministrados, como se detalla anteriormente^[19] y en los Materiales Suplementarios. Todos los factores se recopilaron al inicio del estudio o en el momento de la extracción de la muestra de sangre. Para armonizar cada factor de riesgo entre los estudios, empleamos un procedimiento de armonización de datos en varias etapas, descrito en detalle por Hutter et al.^[28]. En la sección de Armonización de los factores del estilo de vida de los Materiales Suplementarios se ofrece una breve descripción general del proceso de armonización y de los factores de riesgo individuales.

Las Figuras 1 y 2 muestran gráficos de apilamiento o diagramas de caja de los factores de riesgo por estudio y sexo. La Tabla S1a de los Materiales Suplementarios resume las características descriptivas de los factores de riesgo del estilo de vida. Para las variables continuas, aplicamos la winsorización específica del sexo para garantizar la solidez frente a los valores atípicos. La altura y el IMC se winsorizaron en los percentiles 2,5 y 97,5, mientras que otros factores de riesgo continuos se winsorizaron en el percentil 95. Estos percentiles se calcularon utilizando datos agrupados de todos los estudios, que comprenden 180 conjuntos de datos imputados, como se describe en la siguiente sección. La Tabla S1b y la S1c proporcionan información sobre los datos faltantes y los límites de winsorización, respectivamente.

Desarrollo del modelo de predicción del riesgo

Para estimar la asociación de los factores del estilo de vida con el riesgo de CCR, realizamos un metaanálisis de datos de participantes individuales utilizando un enfoque de dos pasos. En el primer paso, para cada estudio, realizamos una imputación múltiple para tener en cuenta los datos faltantes, ajustamos modelos de regresión a cada conjunto de datos imputados y, a continuación, utilizamos las reglas de Rubin para agrupar las estimaciones de la razón de riesgos (HR). En el segundo paso, realizamos un metaanálisis de efectos aleatorios multivariado para sintetizar las HR específicas del estudio, lo que permite la heterogeneidad entre los estudios mediante la incorporación de efectos aleatorios del estudio.

La Tabla 2 resume la asociación de los factores del estilo de vida con el CCR, y las Figuras S1 y S2 muestran los diagramas de bosque de las HR para cada factor de riesgo. En general, ser alto, ser obeso, tener antecedentes familiares de primer grado de CCR, tener diabetes, fumar cigarrillos, beber alcohol y tener una mayor ingesta de carne roja se asociaron con un mayor riesgo de CCR, mientras que haber tenido endoscopia, usar aspirina o AINE y tener una mayor ingesta de calcio y fruta se asociaron con un menor riesgo. Para las mujeres, el uso de hormonas posmenopáusicas también se asoció con un menor riesgo de CCR.

Para mayor exhaustividad, presentamos tanto los intervalos de confianza del 95% como los intervalos de predicción; sin embargo, para la evaluación del riesgo prospectiva en la herramienta web, utilizamos los intervalos de confianza del 95%. Observamos que los intervalos de predicción eran sustancialmente más amplios para las variables relacionadas con la endoscopia, lo que refleja una alta heterogeneidad probablemente impulsada por los cambios históricos en las directrices de cribado a lo largo de las décadas. Dado que esta variación temporal no representa los estándares de cribado actuales ampliamente adoptados por la comunidad clínica, los intervalos de predicción pueden exagerar el nivel de heterogeneidad; por lo tanto, optamos por utilizar los intervalos de confianza para cuantificar la incertidumbre en la estimación del riesgo.

Para modelar la susceptibilidad genética, incorporamos la puntuación de riesgo poligénico (PRS) asiática-europea desarrollada basándose en 69.175 individuos de ascendencia asiática (21.731 casos; 47.444 controles) y 185.616 individuos de ascendencia europea (78.473 casos; 107.143 controles) y validada en conjuntos de datos independientes en cuatro grupos principales de autorreporte: asiático, negro o afroamericano, hispano y blanco no hispano ^[16]. Dado que las muestras de estudio utilizadas para derivar las estimaciones de riesgo relativo de los factores del estilo de vida también se incluyeron en el conjunto de datos de entrenamiento de la PRS, la estimación directa de los tamaños del efecto de la PRS dentro de nuestros datos introduciría un sobreajuste e inflaría las estimaciones de riesgo. Para evitar esto, utilizamos las estimaciones de la razón de probabilidades derivadas de conjuntos de datos de validación independientes que se informaron en Thomas et al. (2023) ^[16], estratificadas por grupos raciales y étnicos de autorreporte. También se estima la razón de probabilidades para todos, combinando todos los grupos raciales y étnicos utilizando el estimador ponderado por la varianza inversa. Esta estimación se utiliza si un individuo no proporciona su información sobre la raza y la etnia. En ese estudio, la PRS se asoció fuertemente con un mayor riesgo de CCR en todos los grupos, con estimaciones de la razón de probabilidades similares para los grupos asiático, hispano y blanco no hispano, y estimaciones atenuadas para el grupo negro o afroamericano. Esta atenuación es consistente con los desafíos conocidos en la predicción entre ancestros, impulsados tanto por la subrepresentación histórica de la ascendencia africana en los estudios de asociación del genoma completo (GWAS) como por la distinta arquitectura genética de las poblaciones africanas, caracterizada por bloques de desequilibrio de enlace más cortos y una mayor diversidad genética.

Para estimar el riesgo absoluto, primero estimamos los riesgos atribuibles (RA) para los factores del estilo de vida y la PRS utilizando métodos analíticos y basados en el muestreo novedosos. A continuación, obtuvimos las tasas de riesgo de referencia específicas para el sexo, la raza y la etnia multiplicando las tasas de incidencia de CCR del Sistema de Vigilancia, Epidemiología y Resultados Finales (SEER) por uno menos los RA.^[29]. A continuación, combinamos las estimaciones de la HR para la PRS y los factores del estilo de vida con las tasas de riesgo de cáncer específicas de la edad para calcular el riesgo absoluto, teniendo en cuenta los riesgos de mortalidad competitivos por causas distintas del CCR. En concreto, calculamos la probabilidad de desarrollar CCR en un intervalo de tiempo preespecificado (por ejemplo, 5, 10 o 20 años), dado el perfil de factores de riesgo y la edad actual de un individuo.

Proporcionamos tres opciones para generar estimaciones de riesgo absoluto de CRC: solo PRS, solo factores de estilo de vida o una combinación de PRS y factores de estilo de vida. Se muestra un ejemplo en el panel inferior de la Figura 3. El archivo de genotipado se obtuvo del Personal Genome Project (Church 2005, ID: hu33515), y los datos de los factores de estilo de vida se describieron al final de los informes de riesgo (Materiales Suplementarios). En este ejemplo, el PRS del individuo indica un riesgo de CRC superior al promedio, mientras que su perfil de estilo de vida sugiere un riesgo menor; y cuando se consideran conjuntamente tanto el PRS como los factores de estilo de vida, el riesgo estimado es solo ligeramente superior al promedio. Cabe destacar que los intervalos de confianza del 95 % son muy estrechos para la estimación del riesgo absoluto basada en el PRS, pero moderadamente amplios para las estimaciones basadas en los factores de estilo de vida, lo que refleja una incertidumbre algo mayor asociada con los factores de estilo de vida.

Desarrollo de una herramienta basada en la web

Desarrollamos la herramienta web MyGeneRisk Colon (https://mygenerisk-colon.fredhutch.org/), con énfasis en tres componentes clave: un proceso de desarrollo de contenido guiado por la participación de la comunidad a través de un Panel Asesor Comunitario (PAC) con miembros de todo el país; una infraestructura técnica que permite la computación rápida y segura de estimaciones de riesgo personalizadas de CRC; y seguridad de los datos y supervisión ética para garantizar la privacidad y el cumplimiento normativo. En conjunto, estos esfuerzos crearon una herramienta que es científicamente rigurosa, centrada en la privacidad y segura.

Para garantizar que la herramienta basada en la web se alinee con las preferencias de los miembros de la comunidad y maximice su beneficio para la comunidad, al inicio de nuestro estudio, formamos un PAC compuesto por 8 miembros reclutados de todo el país a través de iniciativas de divulgación de los departamentos de participación comunitaria de centros de cáncer y hospitales. Los miembros del PAC fueron líderes comunitarios involucrados en diversos esfuerzos para educar a sus comunidades locales sobre temas relacionados con la salud y estaban en una posición ideal para proporcionar perspectivas comunitarias importantes. El PAC fue diverso en términos de sexo, raza, etnia y formación académica o profesión. Las sesiones iniciales se centraron en oportunidades de educación y participación bidireccionales, con énfasis en temas relacionados con el PRS. Posteriormente, los miembros del PAC probaron tres herramientas de evaluación de riesgo de CRC disponibles públicamente (Evaluación del riesgo de cáncer colorrectal de la Universidad de Rochester Medical Center, Qcancer de ClinRisk Ltd. y My CancerIQ: Evaluación del cáncer colorrectal de Cancer Care Ontario), completaron una encuesta electrónica proporcionando comentarios sobre estas herramientas y participaron en una discusión facilitada.

Los miembros del PAC proporcionaron las siguientes recomendaciones para la nueva herramienta: 1) incluir un párrafo introductorio que explique el propósito de la herramienta y una exención de responsabilidad que indique que no está destinada a personas sintomáticas, 2) estructurar las preguntas sobre los factores de riesgo como sí/no siempre que sea posible, 3) incluir raza y etnia, 4) proporcionar pasos de acción claros, como hablar con un médico sobre el cribado del cáncer o reducir el consumo de carne roja, después de recibir una puntuación de riesgo, 5) garantizar que la herramienta tarde menos de diez minutos en completarse y 6) incluir un rastreador de progreso en la parte superior de la pantalla para indicar el estado de finalización. Los miembros del PAC también asesoraron sobre estrategias y enfoques para comunicar el riesgo de CRC y los factores de riesgo a los usuarios.

Basándose en sus evaluaciones, se incorporaron varias recomendaciones al diseño de nuestra herramienta (se proporcionan más detalles en la sección de Métodos). Por ejemplo, con la aportación del PAC, desarrollamos un cuestionario de herramienta web (incluido en el suplemento) basado en los elementos de la encuesta utilizados en los estudios de cohorte y los estudios de casos y controles anidados. También diseñamos un informe de riesgo personalizado siguiendo las mejores prácticas en la comunicación de riesgos,^[30] e incorporamos las lecciones aprendidas de investigaciones cualitativas previas sobre la comprensión del PRS por parte de los pacientes,^[31] así como el uso de información de riesgo personalizada,^[31] y los comentarios del PAC. La Figura 3 ilustra la página de inicio del sitio web, junto con partes de informes de muestra. Los informes completos se proporcionan en los Materiales Suplementarios.

Hemos diseñado y construido una infraestructura de herramientas web robusta que permite cálculos de riesgo en tiempo real. Para calcular el PRS individualizado para el CRC, los usuarios primero cargan sus datos DTC-GT sin procesar, que deben descargar del sitio DTC. Para admitir el cálculo del PRS en tiempo real, desarrollamos una canalización paralela compatible con la nube que realiza el preprocesamiento, la fase, la imputación, el cálculo del PRS y la estimación del riesgo absoluto, integrando tanto la información genética como la de estilo de vida para generar un informe de riesgo personalizado para cada usuario. El sistema se diseñó deliberadamente para maximizar la protección de la privacidad, al tiempo que se garantiza la eficiencia de los costos y la facilidad de mantenimiento mediante la externalización de los cálculos computacionalmente intensivos a Amazon Web Services (AWS) Lambda, que proporciona computación segura y bajo demanda. No se almacenan datos de usuario más allá de la computación efímera (temporal), y los cálculos de riesgo finales se realizan solo en el navegador del usuario. La transferencia de datos entre el cliente y el entorno de computación efímera de AWS Lambda está encriptada. Los cálculos del PRS se dividen por cromosoma y ningún componente del backend tiene acceso al conjunto completo de genotipos. La agregación de los resultados del PRS específicos del cromosoma, la estimación del riesgo y la generación del informe se realizan por completo dentro del navegador del usuario. A través de esta arquitectura, logramos una computación de alto rendimiento con una exposición mínima de datos.

El desarrollo y la implementación de la plataforma MyGeneRisk Colon siguieron estándares rigurosos para la seguridad de los datos y el cumplimiento ético. El estudio y la infraestructura de la herramienta fueron revisados y aprobados por el asesor legal de Fred Hutch, incluido el Departamento de Cumplimiento de Riesgos y Seguridad de la Información.

Muestra del estudio

Dado que nuestro objetivo era desarrollar modelos de predicción de riesgos para estimar el riesgo de desarrollar CRC, incluimos estudios de cohorte o estudios de casos y controles anidados basados en cohortes con datos clínicos y epidemiológicos. En total, incluimos 16 cohortes que representan poblaciones diversas con 673.265 individuos (17.355 casos de CRC): Estudio de Salud de Mujeres Negras (BWHS), Campaña contra el Cáncer y las Enfermedades del Corazón (CLUE II), Estudio de Prevención del Cáncer II (CPS II), Estudio de Seguimiento de Profesionales de la Salud (HPFS), El Estudio Prospectivo de la Población del Centro de Salud de Japón (JPHC), Estudio Colaborativo de Melbourne (MCCS), Estudio Multietnico (MEC), Estudio de Enfermeras (NHS), Estudio de Enfermeras II (NHSII), Estudio de Médicos (PHS), Ensayo de Cribado de Cáncer de Próstata, Pulmón, Colon y Ovario (PLCO), Estudio de la Comunidad del Sur (SCCS), Cohorte de Mamografía Sueca y Cohorte de Hombres Suecos (SMC_COSM), Biobanco del Reino Unido (UKB), VITAminas Y Estilo de Vida (VITAL) y Iniciativa de Salud de la Mujer (WHI). Las estadísticas descriptivas de estos estudios se muestran en la Tabla 1, y se proporcionan más detalles en los materiales suplementarios.

Factores de estilo de vida

Seleccionamos factores de riesgo putativos o conocidos asociados con el riesgo de CRC, incluidos los rasgos antropométricos, los factores de comportamiento, la dieta, los factores farmacológicos y el historial médico. Específicamente, incluimos altura, índice de masa corporal, estado de tabaquismo, años de tabaquismo, consumo de alcohol, factores dietéticos (ingesta de suplementos de calcio, carne roja y frutas), uso regular de aspirina, uso regular de antiinflamatorios no esteroideos (AINE) no aspirina, uso regular de hormonas posmenopáusicas, antecedentes de diabetes mellitus tipo 2, antecedentes de endoscopia (colonoscopia o sigmoidoscopia) y antecedentes familiares de CRC de primer grado. Para distinguirlos de los factores genéticos, nos referimos a ellos como "factores de estilo de vida" a lo largo del artículo. Debido a la alta correlación entre la ingesta de carne roja y carne procesada, y entre la ingesta de verduras y frutas, solo incluimos la ingesta de carne roja y frutas en el modelo de riesgo. En los estudios, la información de los factores de riesgo se recopiló mediante entrevistas personales y/o cuestionarios estructurados autoadministrados, como se detalló anteriormente^[19] y en los Materiales Suplementarios. Todos los factores se recopilaron al inicio del estudio o durante la recolección de muestras de sangre. Para armonizar cada factor de riesgo entre los estudios, empleamos un procedimiento de armonización de datos de varios pasos, descrito en detalle por Hutter et al^[28]. Se proporciona una breve descripción general del proceso de armonización y los factores de riesgo individuales en la sección de Armonización de los factores de estilo de vida de los Materiales Suplementarios.

Las Figuras 1 y 2 muestran gráficos de barras apiladas o diagramas de caja de los factores de riesgo por estudio y sexo. La Tabla S1a en los Materiales Suplementarios resume las características descriptivas de los factores de riesgo del estilo de vida. Para las variables continuas, aplicamos la winsorización específica del sexo para garantizar la solidez frente a los valores atípicos. La altura y el IMC se winsorizaron en los percentiles 2,5 y 97,5, mientras que otros factores de riesgo continuos se winsorizaron en el percentil 95. Estos percentiles se calcularon utilizando datos agrupados de todos los estudios, que comprenden 180 conjuntos de datos imputados, como se describe en la siguiente sección. La Tabla S1b y la S1c proporcionan información sobre la falta de datos y los límites de winsorización, respectivamente.

Desarrollo del modelo de predicción de riesgos

Para estimar la asociación de los factores de estilo de vida con el riesgo de CRC, realizamos un metaanálisis de datos de participantes individuales utilizando un enfoque de dos pasos. En el primer paso, para cada estudio, realizamos una imputación múltiple para tener en cuenta los datos faltantes, ajustamos modelos de regresión a cada conjunto de datos imputados y luego utilizamos las reglas de Rubin para agrupar las estimaciones de HR. En el segundo paso, realizamos un metaanálisis multivariado de efectos aleatorios para sintetizar las HR específicas del estudio, lo que permite la heterogeneidad entre los estudios mediante la incorporación de efectos aleatorios del estudio.

La Tabla 2 resume la asociación de los factores de estilo de vida con el CRC, y las Figuras S1 y S2 muestran los diagramas de bosque de las HR para cada factor de riesgo. En general, ser alto, ser obeso, tener antecedentes familiares de CRC de primer grado, tener diabetes, fumar cigarrillos, beber alcohol y tener una mayor ingesta de carne roja se asociaron con un mayor riesgo de CRC, mientras que haber tenido endoscopia, usar aspirina o AINE y tener una mayor ingesta de calcio y frutas se asociaron con un menor riesgo. Para las mujeres, el uso de hormonas posmenopáusicas también se asoció con un menor riesgo de CRC.

Informamos tanto los intervalos de confianza del 95 % como los intervalos de predicción por completitud; sin embargo, para la evaluación de riesgos prospectiva en la herramienta web, utilizamos los intervalos de confianza del 95 %. Observamos que los intervalos de predicción eran sustancialmente más amplios para las variables relacionadas con la endoscopia, lo que refleja una alta heterogeneidad probablemente impulsada por los cambios históricos en las pautas de detección a lo largo de las décadas. Dado que esta variación temporal no representa los estándares de detección actuales ampliamente adoptados por la comunidad clínica, los intervalos de predicción pueden exagerar el nivel de heterogeneidad; por lo tanto, optamos por utilizar los intervalos de confianza para cuantificar la incertidumbre en la estimación del riesgo.

Para modelar la susceptibilidad genética, incorporamos la puntuación de riesgo poligénico (PRS) de ascendencia asiática-europea desarrollada a partir de 69.175 individuos de ascendencia asiática (21.731 casos; 47.444 controles) y 185.616 individuos de ascendencia europea (78.473 casos; 107.143 controles), y la validamos en conjuntos de datos independientes de cuatro grupos principales autodeclarados: asiático, negro o afroamericano, hispano y blanco no hispano ^[16]. Dado que las muestras de estudio utilizadas para derivar las estimaciones de riesgo relativo de los factores de estilo de vida también se incluyeron en el conjunto de datos de entrenamiento de la PRS, la estimación directa de los tamaños del efecto de la PRS dentro de nuestros datos introduciría un sobreajuste e inflaría las estimaciones de riesgo. Para evitar esto, utilizamos las estimaciones de la razón de probabilidades (Tabla 3) derivadas de conjuntos de datos de validación independientes informados en Thomas et al. (2023) ^[16], estratificadas por grupos raciales y étnicos autodeclarados. También se estima la razón de probabilidades para todos, combinando todos los grupos raciales y étnicos utilizando el estimador ponderado por la varianza inversa. Esta estimación se utiliza si un individuo no proporciona información sobre su raza y etnia. En ese estudio, la PRS se asoció fuertemente con un mayor riesgo de CRC en todos los grupos, con estimaciones de la razón de probabilidades similares para los grupos asiático, hispano y blanco no hispano, y estimaciones atenuadas para el grupo negro o afroamericano. Esta atenuación es consistente con los desafíos conocidos en la predicción transancestra, impulsados tanto por la subrepresentación histórica de la ascendencia africana en los estudios de asociación del genoma completo (GWAS) como por la distinta arquitectura genética de las poblaciones africanas, caracterizada por bloques de desequilibrio de enlace más cortos y una mayor diversidad genética.

Para estimar el riesgo absoluto, primero estimamos los riesgos atribuibles (RA) para los factores de estilo de vida y la PRS utilizando métodos analíticos y basados en muestreo novedosos. Luego, obtuvimos las tasas de riesgo de referencia específicas para el sexo, la raza y la etnia multiplicando las tasas de incidencia de CRC del Sistema de Vigilancia, Epidemiología y Resultados Finales (SEER) por uno menos los RA.^[29] A continuación, combinamos las estimaciones de la razón de riesgo (HR) para la PRS y los factores de estilo de vida con las tasas de riesgo de cáncer específicas para la edad de referencia para calcular el riesgo absoluto, teniendo en cuenta los riesgos de mortalidad competitivos por causas distintas de la CRC. Específicamente, calculamos la probabilidad de desarrollar CRC durante un intervalo de tiempo preespecificado (por ejemplo, 5, 10 o 20 años), dado el perfil de edad y factores de riesgo de un individuo.

Proporcionamos tres opciones para generar estimaciones del riesgo absoluto de CRC: solo PRS, solo factores de estilo de vida o una combinación de PRS y factores de estilo de vida. Se muestra un ejemplo en el panel inferior de la Figura 3. El archivo de genotipado se obtuvo del Proyecto del Genoma Personal (Church 2005, ID: hu33515), y los datos de entrada de los factores de estilo de vida se describieron al final de los informes de riesgo (Materiales Suplementarios). En este ejemplo, la PRS del individuo indica un riesgo de CRC superior al promedio, mientras que su perfil de estilo de vida sugiere un riesgo menor; y cuando se consideran conjuntamente la PRS y los factores de estilo de vida, el riesgo estimado es solo ligeramente superior al promedio. Cabe destacar que los intervalos de confianza del 95% son muy estrechos para la estimación del riesgo absoluto basada en la PRS, pero moderadamente amplios para las estimaciones basadas en los factores de estilo de vida, lo que refleja una mayor incertidumbre asociada con los factores de estilo de vida.

Desarrollo de una herramienta basada en la web

Desarrollamos la herramienta basada en la web MyGeneRisk Colon (https://mygenerisk-colon.fredhutch.org/) con énfasis en tres componentes clave: un proceso de desarrollo de contenido guiado por la participación de la comunidad a través de un Panel Asesor Comunitario (PAC) con miembros de todo Estados Unidos; una infraestructura técnica que permite la computación rápida y segura de estimaciones de riesgo personalizadas de CRC; y seguridad de los datos y supervisión ética para garantizar la privacidad y el cumplimiento normativo. En conjunto, estos esfuerzos crearon una herramienta que es científicamente rigurosa, centrada en la privacidad y segura.

Para garantizar que la herramienta basada en la web se alinee con las preferencias de los miembros de la comunidad y maximice su beneficio para la comunidad, al inicio de nuestro estudio, formamos un PAC compuesto por 8 miembros reclutados de todo Estados Unidos a través de esfuerzos de divulgación de las oficinas de participación comunitaria de centros de cáncer y hospitales. Los miembros del PAC fueron líderes comunitarios involucrados en diversos esfuerzos para educar a sus comunidades locales sobre temas relacionados con la salud y estaban en una posición privilegiada para proporcionar perspectivas comunitarias importantes. El PAC fue diverso en términos de sexo, raza, etnia y formación o profesión. Las sesiones iniciales se centraron en oportunidades de educación y participación bidireccionales, con énfasis en temas relacionados con la PRS. Posteriormente, los miembros del PAC probaron tres herramientas de evaluación de riesgos de CRC disponibles públicamente (Evaluación del riesgo de cáncer colorrectal de la Universidad de Rochester Medical Center, Qcancer de ClinRisk Ltd. y My CancerIQ: Evaluación del cáncer colorrectal de Cancer Care Ontario), completaron una encuesta electrónica proporcionando comentarios sobre estas herramientas y participaron en una discusión facilitada.

Los miembros del PAC proporcionaron las siguientes recomendaciones para la nueva herramienta: 1) incluir un párrafo introductorio que explique el propósito de la herramienta y una exención de responsabilidad que indique que no está destinada a individuos sintomáticos, 2) estructurar las preguntas sobre los factores de riesgo como sí/no siempre que sea posible, 3) incluir la raza y la etnia, 4) proporcionar pasos de acción claros, como hablar con un médico sobre el cribado del cáncer o reducir el consumo de carne roja, después de recibir una puntuación de riesgo, 5) garantizar que la herramienta tarde menos de diez minutos en completarse y 6) incluir un rastreador de progreso en la parte superior de la pantalla para indicar el estado de finalización. Los miembros del PAC también asesoraron sobre estrategias y enfoques para comunicar el riesgo de CRC y los factores de riesgo a los usuarios.

Basándose en sus evaluaciones, se incorporaron varias recomendaciones al diseño de nuestra herramienta (se proporcionan más detalles en la sección de Métodos). Por ejemplo, con la aportación del PAC, desarrollamos un cuestionario de la herramienta web (incluido en el suplemento) basado en los elementos de la encuesta utilizados en los estudios de cohorte y de casos y controles anidados. También diseñamos un informe de riesgo personalizado siguiendo las mejores prácticas en la comunicación de riesgos,^[30] e incorporamos las lecciones aprendidas de investigaciones cualitativas previas sobre la comprensión del paciente de la PRS,^[31] así como el uso de información de riesgo personalizada,^[31] y los comentarios del PAC. La Figura 3 ilustra la página de inicio del sitio web, junto con partes de informes de muestra. Los informes completos se proporcionan en los Materiales Suplementarios.

Hemos diseñado y construido una infraestructura de herramientas web robusta que permite cálculos de riesgo en tiempo real. Para calcular la PRS individualizada para la CRC, los usuarios primero cargan sus datos DTC-GT sin procesar, que deben descargar del sitio DTC. Para admitir el cálculo de la PRS en tiempo real, desarrollamos una canalización paralela compatible con la nube que realiza el preprocesamiento, la fase, la imputación, el cálculo de la PRS y la estimación del riesgo absoluto, integrando tanto la información genética como la de estilo de vida para generar un informe de riesgo personalizado para cada usuario. El sistema se diseñó deliberadamente para maximizar la protección de la privacidad, al tiempo que garantiza la eficiencia de los costos y la facilidad de mantenimiento al externalizar los cálculos computacionalmente intensivos a Amazon Web Services (AWS) Lambda, que proporciona computación segura y bajo demanda. No se almacenan datos de usuario más allá de la computación efímera (temporal), y los cálculos de riesgo finales se producen solo en el navegador del usuario. La transferencia de datos entre el cliente y el entorno de computación efímera de AWS Lambda está encriptada. Los cálculos de la PRS se dividen por cromosoma, y ningún componente del backend tiene acceso al conjunto completo de genotipos. La agregación de los resultados de la PRS específicos del cromosoma, la estimación del riesgo y la representación del informe se producen íntegramente en el navegador del usuario. A través de esta arquitectura, logramos una computación de alto rendimiento con una exposición mínima de datos.

El desarrollo y la implementación de la plataforma MyGeneRisk Colon siguieron estándares rigurosos para la seguridad de los datos y el cumplimiento ético. El estudio y la infraestructura de la herramienta fueron revisados y aprobados por el asesor legal de Fred Hutch, incluido el Departamento de Cumplimiento de Riesgos y Seguridad de la Información.

Discusión

Desarrollamos MyGeneRisk Colon, una herramienta web segura que proporciona estimaciones de riesgo personalizadas de CRC directamente a los individuos en tiempo real. Al integrar los datos genéticos cargados por el usuario de los servicios DTC-GT con las respuestas de los usuarios a un cuestionario de estilo de vida, la herramienta calcula el riesgo absoluto utilizando la PRS de todo el genoma y las estimaciones de riesgo de estilo de vida desarrolladas rigurosamente a partir de grandes cohortes epidemiológicas bien caracterizadas y diversas, junto con las tasas de incidencia de la población de SEER. Su diseño que preserva la privacidad ofrece una prueba de concepto para la entrega segura de riesgos individualizados a una población creciente de usuarios de DTC-GT. A medida que los datos genómicos se integran cada vez más en la atención médica, esta herramienta proporciona un enfoque escalable para el apoyo a la toma de decisiones clínicas, lo que permite un cribado estratificado por riesgo, facilita conversaciones más informadas y colaborativas entre pacientes y clínicos, y apoya estrategias de prevención y vigilancia del cáncer más personalizadas.

Ya se están realizando esfuerzos para evaluar la integración de la información genómica en entornos clínicos. Por ejemplo, la Red de Registros Médicos Electrónicos y Genómica (eMERGE) (https://emerge-network.org/) está llevando a cabo un ensayo prospectivo y pragmático que involucra a aproximadamente 24.000 individuos de diversos orígenes para evaluar si la devolución de evaluaciones de riesgo informadas por el genoma que incluyen la PRS conducirá a cambios en la gestión de la enfermedad y los resultados. A medida que los datos genómicos se integran cada vez más en los registros de salud electrónicos, herramientas como la nuestra podrían respaldar la entrega en tiempo real de información de riesgo individualizada tanto en entornos de investigación como de atención médica. Se necesita más investigación para comprender mejor las perspectivas de los pacientes y los proveedores, para determinar si la predicción de riesgos personalizada mejora la adopción del cribado, particularmente en individuos de alto riesgo, y para evaluar la rentabilidad de las estrategias de prevención personalizadas.

Las herramientas de PRS existentes, incluidas las de CRC, generalmente se centran únicamente en el riesgo genético, mientras que la mayoría de los calculadores de riesgo de CRC de acceso público^[32],^[33] se basan únicamente en los factores de estilo de vida. Dado que el riesgo de CRC surge tanto de factores genéticos como de estilo de vida, un enfoque integrado puede mejorar la precisión de la predicción. Nuestra herramienta combina de forma única una PRS de todo el genoma con información autoinformada sobre el estilo de vida y los datos demográficos para devolver estimaciones de riesgo de CRC adaptadas al individuo. Para mejorar la generalizabilidad, hemos desarrollado nuestra evaluación de riesgo de estilo de vida basándonos en poblaciones diversas y hemos utilizado una PRS que se desarrolló en diferentes poblaciones de ascendencia. Además, el uso de estimaciones de riesgo absoluto proporciona una interpretación más práctica del riesgo que la PRS basada en percentiles, que puede ser difícil de contextualizar clínicamente.

Al considerar adecuadamente los posibles efectos heterogéneos en estudios amplios y diversos, se espera que los riesgos relativos estimados de los factores de estilo de vida sean generalizables a la población en general. Para obtener estas estimaciones, empleamos varios métodos rigurosos. Los datos faltantes se manejaron mediante la imputación múltiple, tratando los estudios como grupos, y la heterogeneidad en los efectos se abordó mediante metaanálisis de datos de participantes individuales con efectos aleatorios. Estimamos el riesgo de CRC y derivamos tanto intervalos de confianza como intervalos de predicción para cuantificar la incertidumbre de la estimación y la variabilidad en los efectos entre los estudios y las poblaciones. Dado que no había métodos analíticos disponibles para este contexto, desarrollamos e implementamos un nuevo enfoque basado en el muestreo para estimar los riesgos atribuibles, que posteriormente se utilizaron para calcular el riesgo absoluto. Debido a la heterogeneidad entre los estudios, la precisión de las estimaciones del riesgo absoluto basadas en el estilo de vida se reduce algo. Los trabajos futuros destinados a mejorar la medición de los factores de estilo de vida y a identificar nuevos predictores podrían refinar aún más estos modelos de riesgo. La precisión de la predicción del riesgo también podría mejorarse mediante la integración de genes de alta penetrancia y pruebas inmunoquímicas fecales (FIT).

La participación de la comunidad desempeñó un papel central en el desarrollo de esta herramienta. Colaboramos con un Panel Asesor Comunitario que incluía representantes de diversas áreas geográficas y orígenes raciales y étnicos para garantizar una amplia relevancia. Las aportaciones del panel influyeron en el diseño del cuestionario, la estructura del informe y las estrategias de comunicación. Adaptamos el lenguaje, los elementos visuales y los recursos educativos para mejorar la alfabetización en salud y abordar diversas preferencias^[34],^[35], promoviendo así una mayor adopción de las herramientas digitales de evaluación de riesgos. La colaboración mejoró la precisión de nuestra comunicación con una audiencia más amplia con respecto a los resultados de la predicción y sus beneficios y riesgos asociados, lo que hace que la herramienta sea más generalizable y aceptable en diversas poblaciones.^[36],^[37]

Nuestra herramienta también ofrece varias características técnicas novedosas. En primer lugar, realiza una imputación de genotipos avanzada y en tiempo real por muestra, una capacidad poco común entre las plataformas de acceso público, con una alta concordancia con la imputación tradicional por lotes, como se detalla en los Materiales Suplementarios. En segundo lugar, está construida sobre una infraestructura segura y sin servidor que utiliza servicios en la nube de última generación, como Amazon Web Services Lambda, lo que permite una computación rentable y bajo demanda. Esto nos permitió desarrollar una herramienta web sostenible y segura, algo que de otro modo no habría sido asequible para su desarrollo y mantenimiento. Esto también evita el almacenamiento de datos genéticos o de estilo de vida, lo que mitiga las preocupaciones sobre la privacidad. Si bien reconocemos que algunos usuarios aún pueden sentirse incómodos al compartir datos, incluso temporalmente, mantenemos la transparencia y proporcionamos información clara sobre cómo manejamos los datos. En tercer lugar, tiene una interfaz fácil de usar. El portal web gestiona sin problemas los archivos de genotipos DTC y las respuestas a las encuestas sobre el estilo de vida enviados por los usuarios. En cuestión de minutos, los usuarios reciben estimaciones de riesgo personalizadas, resúmenes gráficos y recomendaciones de prevención (por ejemplo, dieta, detección).

Reconocemos varias limitaciones. En primer lugar, ciertas variables autorreportadas, como la dieta, están sujetas a errores de medición. Si bien nuestro modelo incorpora esta incertidumbre a través de la estimación de parámetros y el muestreo, se justifica la necesidad de más investigación para mejorar la evaluación de la exposición y para dilucidar aún más cómo estas exposiciones afectan el desarrollo del CRC. En segundo lugar, aunque el PRS se ha validado en cuatro poblaciones raciales y étnicas principales, su precisión predictiva aún no se ha evaluado en otros grupos, incluidos algunos con un riesgo conocido elevado de CRC, como las poblaciones nativas americanas y nativas de Alaska. Si bien el panel de referencia, el Proyecto de los 1000 Genomas, incluye poblaciones diversas, los individuos de ascendencia mixta siguen estando subrepresentados. Esta subrepresentación puede reducir la precisión de la imputación de una sola muestra. Los futuros perfeccionamientos metodológicos, como la agregación de genotipos en pequeñas cohortes pseudo-ad hoc, podrían mejorar la representación de la población y la calidad de la imputación sin aumentar sustancialmente la carga computacional, al tiempo que se preserva el rendimiento en tiempo real necesario para el cálculo del PRS. De manera similar, aunque la evaluación del riesgo del estilo de vida se desarrolló en cuatro grupos raciales y étnicos, los individuos blancos no hispanos comprenden la mayoría de los participantes en los estudios incluidos. En tercer lugar, si bien nuestro modelo integra un PRS validado externamente y factores de riesgo del estilo de vida bien establecidos, una mayor evaluación del modelo combinado en entornos poblacionales más amplios y diversos fortalecería la confianza en su generalizabilidad y aplicabilidad en el mundo real.

En resumen, establecimos un portal web seguro y de acceso público para la evaluación del riesgo de CRC que incorpora conjuntamente factores genéticos y del estilo de vida. A través de una participación significativa de la comunidad, diseñamos una herramienta que es accesible y relevante para diversas poblaciones. Con decenas de millones de individuos en los EE. UU. que ya poseen datos de genotipado directo al consumidor (DTC-GT), esta herramienta que preserva la privacidad demuestra la viabilidad de ofrecer estimaciones de riesgo personalizadas y aplicables directamente a los usuarios. A medida que los datos genómicos se vuelven cada vez más disponibles a través del DTC-GT y se integran progresivamente en los registros electrónicos de salud, el marco presentado aquí proporciona un modelo para el posible apoyo a la toma de decisiones clínicas y destaca la promesa de enfoques más personalizados e informados por datos para la prevención del cáncer y la detección temprana tanto en la salud pública como en la atención clínica.

Métodos

El desarrollo de la herramienta web MyGeneRisk Colon combinó tres componentes básicos: modelado estadístico riguroso, diseño informado por la comunidad e implementación técnica innovadora. Esta sección de Métodos detalla cómo se integraron estos elementos.

En primer lugar, desarrollamos un modelo integral de predicción de riesgos. Para obtener estimaciones robustas y generalizables del riesgo relativo del estilo de vida, realizamos un metaanálisis de datos de participantes individuales en dieciséis cohortes diversas. Los datos faltantes se abordaron mediante la imputación múltiple para reducir el sesgo y preservar la eficiencia estadística. Luego, incorporamos un PRS de todo el genoma y desarrollamos un nuevo método basado en el muestreo para estimar el riesgo atribuible y el riesgo absoluto. En segundo lugar, utilizamos un proceso de participación comunitaria para guiar el desarrollo de la herramienta. Nuestro Panel Asesor Comunitario (PAC) desempeñó un papel central en la configuración del cuestionario y el diseño de los informes personalizados, lo que garantiza la relevancia y la usabilidad. Finalmente, implementamos una arquitectura segura y sin servidor diseñada para la escalabilidad y la privacidad. Una innovación técnica clave es una canalización de alto rendimiento que realiza la imputación de genotipos por muestra en tiempo real, una capacidad esencial para una plataforma de acceso público.

El modelo de predicción del riesgo de CRC en sí se basa en un modelo de riesgos proporcionales de Cox, que comprende dos componentes: razones de riesgo (RR) para los factores de riesgo y la función de riesgo de referencia. Las tres primeras subsecciones describen cómo estimamos las RR. Las 4.ª y 5.ª subsecciones detallan cómo derivamos la función de riesgo de referencia mediante la estimación del riesgo atribuible y su combinación con la tasa de incidencia de CRC de la población de SEER. En la 6.ª subsección, incorporamos los riesgos de competencia (es decir, la mortalidad por otras causas) y construimos el modelo final de predicción del riesgo absoluto.

Imputación múltiple

Realizamos la imputación múltiple por separado por sexo (masculino y femenino) y tipo de estudio (cohorte y caso-control anidado) utilizando el modelado conjunto. Este enfoque permite la imputación simultánea de variables continuas y discretas a nivel del participante y del estudio, y aborda los datos que faltan de forma sistemática o esporádica.^[38] La imputación se realizó para todos los factores de riesgo con datos faltantes, excepto para el historial de endoscopia (colonoscopia o sigmoidoscopia). Debido a que una proporción sustancial de participantes en múltiples estudios tenían información faltante sobre la endoscopia previa, la imputación de esta variable podría haber introducido incertidumbre adicional. En cambio, creamos una categoría de "desconocido". Por lo tanto, cada participante se clasificó como "sí", "no" o "desconocido", lo que garantiza que todos los individuos conserven un valor observado para esta variable en el análisis. Generamos 180 conjuntos de datos imputados utilizando un enfoque de modelado conjunto que incorporó todos los factores de riesgo y los resultados. El modelo conjunto supuso que los datos observados seguían una distribución normal multivariada, con una estructura normal latente utilizada para manejar las variables categóricas. Cada estudio se trató como un grupo. Se incluyeron varias variables completamente observadas como predictores en el modelo de imputación, incluido el estado de CRC, la edad al inicio del estudio, el historial de endoscopia y la raza y el origen étnico. Para los estudios de cohorte, también incluimos la edad al diagnóstico (para los casos de CRC) o la edad al último seguimiento (para los no casos). Para los estudios de caso-control anidado, incluimos la edad al diagnóstico para los casos y la edad coincidente en el momento de la selección para los controles. Para los datos de estudio de caso-control anidado, realizamos 2000 iteraciones de "burn-in" y luego generamos 180 conjuntos de datos imputados, cada uno espaciado en 2000 iteraciones. Debido al tamaño de muestra sustancialmente grande en los estudios de cohorte, la imputación múltiple requiere muchos más recursos computacionales. Por lo tanto, utilizamos 200 tanto para el "burn-in" como para las actualizaciones entre imputaciones.

Para las variables continuas, se aplicó una transformación logarítmica, cuando fue apropiado, antes del modelado conjunto para adaptarse a la suposición de normalidad. Los valores imputados se volvieron a exponentiar para devolverlos a su escala original. Para las variables con un valor mínimo de cero, como la ingesta de carne roja, se agregó una pequeña constante (igual al percentil 5 de los datos originales distintos de cero) antes de la transformación logarítmica previa a la imputación. Después de la imputación, se restó la misma constante después de la transformación de la exponenciación. Por lo tanto, el valor después de la transformación logarítmica estaba bien definido. Para las variables continuas, dado que un sorteo aleatorio de una distribución normal puede ser arbitrariamente grande o pequeño, el último paso fue la "winsorización" de los valores al rango observado de los datos originales.

Realizamos la imputación múltiple utilizando el paquete R jomo.^[39]

Metaanálisis de datos de participantes individuales

Realizamos un metaanálisis de datos de participantes individuales para estimar los efectos específicos del sexo (RR) de los factores de riesgo. Este enfoque preserva la agrupación de individuos dentro de los estudios y se considera el "estándar de oro" para las revisiones sistemáticas.^[40] Se utilizó un enfoque de metaanálisis en dos pasos.^[41]

La figura 4 muestra una descripción esquemática del flujo de trabajo del metaanálisis.

En la primera etapa, se analizaron los datos imputados de cada participante para cada estudio. Para cada uno de los 180 conjuntos de datos imputados dentro de cada estudio, se ajustó un modelo de regresión logística para estudios de casos anidados y controles, o un modelo de regresión de riesgos proporcionales de Cox para estudios de cohorte, incluyendo todos los factores de riesgo y ajustando por raza y etnia como covariable. Para los estudios de casos anidados y controles, el modelo de regresión logística también ajustó por la edad al inicio del estudio y el tiempo transcurrido desde el inicio del estudio. Para los estudios de cohorte, el modelo de Cox tuvo en cuenta la edad al inicio del estudio mediante la truncación izquierda, con resultados de supervivencia definidos utilizando la edad como escala de tiempo: la edad al diagnóstico para los casos de CCRC y la edad en la última observación para los no casos, junto con el estado de CCRC. Dado el tamaño de muestra limitado en algunos estudios y para mejorar la interpretabilidad y garantizar la estabilidad del modelo, incluimos solo efectos lineales para los factores de riesgo. En los análisis de casos anidados y controles, estimamos la razón de probabilidades (OR), que se aproxima bien a la razón de riesgos (HR) para enfermedades raras como el CCRC ^[42]. Para cada conjunto de datos imputados, obtuvimos un vector de estimaciones de log(HR) para los factores de riesgo y la matriz de (co)varianza correspondiente. En algunos estudios con un tamaño de muestra limitado, ciertos factores de riesgo no pudieron ser estimados en uno o más conjuntos de datos imputados. Para mantener la consistencia entre las imputaciones, si un factor de riesgo no pudo ser estimado en ninguno de los 180 conjuntos de datos imputados, se consideró como no estimable para ese estudio. Utilizando la regla de Rubin para la imputación múltiple multivariable, agrupamos las estimaciones de log(HR) entre los conjuntos de datos imputados, obteniendo estimaciones de HR específicas del estudio y matrices de (co)varianza que tuvieron en cuenta la incertidumbre debida a los datos faltantes.^[43] Sea el vector de parámetros de interés. Específicamente, para , denota el vector de parámetros estimados del conjunto de datos imputado y denota la matriz de (co)varianza correspondiente. La estimación agrupada de es simplemente el promedio con su matriz de (co)varianza como

En la segunda etapa, realizamos un metaanálisis multivariado de efectos aleatorios para sintetizar las HR específicas del estudio, permitiendo la heterogeneidad entre estudios mediante la incorporación de efectos aleatorios del estudio.^[44] Utilizamos el método de máxima verosimilitud restringida, asumiendo una estructura de (co)varianza diagonal entre estudios, es decir, se asumió que los efectos aleatorios para diferentes parámetros de log(HR) no estaban correlacionados entre los estudios. El método también se adapta a los factores de riesgo para los cuales las HR no pudieron ser estimadas en algunos estudios. Específicamente, establece las estimaciones de HR faltantes en 0, las covarianzas correspondientes en 0 y las varianzas en la varianza observada más grande multiplicada por 106, de modo que las estimaciones correspondientes contribuyan solo de manera insignificante a las estimaciones finales. Obtuvimos las estimaciones generales promedio de HR y la matriz de (co)varianza correspondiente. Derivamos tanto los intervalos de confianza como los intervalos de predicción de las estimaciones de HR. Para los intervalos de confianza, la (co)varianza de las estimaciones es la matriz de (co)varianza de la estimación promedio general de HR, lo que refleja su incertidumbre, y para los intervalos de predicción, incluye además la matriz de (co)varianza de heterogeneidad de las estimaciones de HR entre los estudios, proporcionando una estimación del rango de efectos que se podrían esperar en un nuevo entorno de estudio.^[45] Realizamos un metaanálisis multivariado de efectos aleatorios utilizando el paquete R mvmeta.^[46]### Puntuación de riesgo poligénico

Utilizamos la puntuación de riesgo poligénico (PRS) asiática-europea desarrollada previamente basada en 69.175 individuos de ascendencia asiática (21.731 casos; 47.444 controles) y 185.616 individuos de ascendencia europea (78.473 casos; 107.143 controles)^[16]. La PRS se validó en conjuntos de datos independientes en cuatro grupos principales autodeclarados: asiático, negro o afroamericano, hispano y blanco no hispano^[16]. La puntuación se construye como una suma ponderada de 1.020.293 SNPs de HapMap3, con pesos derivados utilizando LDpred2^[47]. Estos pesos correspondieron a los tamaños de efecto posteriores medios de los SNPs, estimados a partir de un modelo bayesiano conjunto de los efectos de los SNPs, asumiendo una distribución de mezcla previa que consiste en una masa puntual en cero y una distribución normal para los efectos distintos de cero. El modelo se entrenó utilizando estadísticas de asociación marginal de un GWAS combinado de poblaciones asiáticas y europeas utilizando el estimador de varianza inversa. Incorporó una matriz de desequilibrio de enlace construida a partir de individuos asiáticos y europeos, ponderada proporcionalmente a sus respectivas contribuciones a las estadísticas resumidas combinadas. Se muestra una descripción esquemática en la Figura 5.

Dado que las poblaciones de estudio utilizadas para estimar los efectos de los factores de estilo de vida formaban parte del conjunto de datos de entrenamiento utilizado para desarrollar la PRS asiática-europea, la reestimación de los efectos de la PRS utilizando estos datos conduciría a un sobreajuste y posibles estimaciones infladas. Para evitar este sesgo, utilizamos las estimaciones de la razón de probabilidades para la PRS obtenidas de conjuntos de datos independientes, como se informó en Thomas et al. (2023, Tabla 3), estratificadas por grupos de población autodeclarados. Todos los análisis en Thomas et al. se ajustaron por edad y los cuatro primeros componentes principales para tener en cuenta la posible estructura de la población.### Imputación de genotipo de una sola muestra

^[48]Dado que la imputación de genotipos en la mayoría de los entornos se realiza conjuntamente en muchas muestras para aprovechar los haplotipos compartidos, puede ser difícil adaptar estos métodos para cálculos por usuario en un entorno basado en la web. Dado que los valores de PRS se calculan inmediatamente después de la carga, implementamos un flujo de trabajo de imputación de una sola muestra que puede procesar cargas individuales de forma rápida e independiente. Utilizamos el panel de referencia 1000 Genomes Phase 3, bien caracterizado y disponible públicamente, que incluye 661 africanos, 347 afroamericanos, 504 asiáticos orientales, 503 europeos y 489 del sur de Asia.^[48] Para evaluar el rendimiento de este enfoque de imputación de genotipos de una sola muestra, analizamos 830 muestras genotipadas personalizadas del Personal Genome Project^[49], que incluyen 6 africanos, 265 afroamericanos, 36 asiáticos orientales, 523 europeos y 25 del sur de Asia. Cada muestra se imputó dos veces: primero utilizando el flujo de trabajo de una sola muestra implementado en la canalización MyGeneRisk, y segundo utilizando un flujo de trabajo por lotes en el que las 830 muestras se fasearon conjuntamente con Eagle2 y se imputaron con Minimac4 contra el mismo panel de referencia 1000 Genomes. La PRS se calculó a partir de los archivos de dosis de ambas canalizaciones. Las estimaciones de PRS derivadas de genotipos imputados de una sola muestra y por lotes mostraron una alta concordancia (correlación de Pearson > 0,98; Figura S4), lo que indica que el flujo de trabajo de una sola muestra proporciona resultados comparables a los métodos estándar basados en lotes.### Estimación del riesgo atribuible (RA)

Para desarrollar un modelo de riesgo absoluto, necesitamos estimar los riesgos atribuibles tanto para la PRS como para los factores de estilo de vida, de modo que se pueda calcular el riesgo basal.

Derivación de los RA de los factores de riesgo del estilo de vida.

Para facilitar la estimación de los RA para los factores de riesgo del estilo de vida, definimos una puntuación de riesgo del estilo de vida (LRS), construida como una suma ponderada de los factores de riesgo del estilo de vida con un peso igual al logaritmo de su HR correspondiente. Para algunos estudios, debido al tamaño de muestra limitado, no fue posible obtener estimaciones de HR para ciertos factores de riesgo del estilo de vida, lo que hizo imposible estimar los riesgos atribuibles (RA) específicos del estudio basándose únicamente en sus datos. Para abordar esta limitación, desarrollamos un enfoque alternativo basado en el muestreo, como se muestra en la Figura 6. Utilizando este marco, derivamos tanto los intervalos de confianza del 95% como los intervalos de predicción para las estimaciones de RA de la siguiente manera.

Primero, generamos 200 muestras aleatorias de valores de log(HR) específicos del sexo para los factores de riesgo del estilo de vida, extraídas de la distribución de confianza de las estimaciones de HR, denotada por . Cada muestra, como un vector, representa un conjunto plausible de valores de log(HR) para un nuevo individuo (en este caso, el usuario de la herramienta web). Con cada vector de log(HR) muestreado tratado como la verdad, obtuvimos la distribución de confianza de RA basada en múltiples conjuntos de datos imputados generados utilizando el mismo enfoque que en la estimación de HR (Figura 4). Obtenemos las distribuciones de confianza de RA por sexo para cada uno de los grupos raciales y étnicos: asiático, negro o afroamericano, hispano y blanco no hispano, así como para la población general. Finalmente, extraemos aleatoriamente un valor de RA de su distribución de confianza, como un valor de RA plausible correspondiente al vector de log(HR) específico. En general, obtuvimos 200 estimaciones de RA específicas de LRS, cada una vinculada a una de las 200 LRS específicas .

Para la distribución de predicción de RA, seguimos el mismo procedimiento, excepto que los valores de log(HR) específicos del sexo se extraerían de la distribución de predicción de las estimaciones de HR, y luego obtuvimos la distribución de predicción de RA.### Derivación de los RA de la PRS:

Para tener en cuenta la incertidumbre en las estimaciones de log(HR) de la PRS para asiáticos, negros o afroamericanos, hispanos y blancos no hispanos, respectivamente, generamos 200 extracciones aleatorias de la distribución específica de la población de la estimación de log(HR) específica de la PRS, denotada por . Basándonos en Thomas et al. (2023)^[16], la distribución de la PRS entre los casos siguió una distribución normal y se observó que era homogénea entre los estudios. Para un valor de HR dado para la PRS, el RA específico de la PRS se puede derivar analíticamente mediante , donde es la función de densidad normal de la PRS entre los casos con media y varianza 1. Generamos 200 estimaciones de RA específicas de la PRS, cada una vinculada a una de las 200 valores de log(HR) muestreados, lo que da como resultado estimaciones emparejadas.### Derivación de los RA generales de la PRS y los factores de riesgo del estilo de vida (LRS):

En nuestras poblaciones de estudio, la PRS y la LRS estaban solo débilmente correlacionadas (coeficiente de correlación de Pearson < 0,1), lo que indica que los factores genéticos y del estilo de vida predicen el riesgo de CCRC de forma independiente. Por lo tanto, calculamos el RA general como una función del RA específico de LRS y el RA específico de PRS, . Específicamente, para cada combinación de sexo, raza y etnia, generamos 200 extracciones aleatorias de pares de RA específico de PRS y RA específico de LRS, es decir, , con cada par vinculado a uno de los vectores de log(HR) específicos de LRS y PRS mencionados anteriormente. Calculamos el RA general mediante y obtuvimos 200 triples que se utilizan para calcular el riesgo absoluto. Esto se hará tanto para el cálculo de los intervalos de confianza como para los intervalos de predicción.### Estimación del riesgo absoluto

Para estimar el riesgo futuro de un individuo de desarrollar CCRC, utilizamos las HR específicas del sexo y la raza y la etnia, y las estimaciones de la función de riesgo basal específica del sexo, la edad y la raza y la etnia basadas en el perfil de riesgo de PRS y el estilo de vida del individuo. Teniendo en cuenta los riesgos competitivos, calculamos la probabilidad de desarrollar CCRC en un período de tiempo preespecificado (por ejemplo, 5, 10 o 20 años), condicionado a la edad y los factores de riesgo actuales.

Específicamente, calculamos las tasas de riesgo basal específicas del sexo, la edad y la raza y la etnia multiplicando las tasas de incidencia de CCRC correspondientes del Surveillance, Epidemiology, and End Results (SEER) promediadas entre 2015 y 2019 por 1-RA (como se describe anteriormente). Para los individuos que prefieren no responder a su raza y etnia, también calculamos la tasa de riesgo basal específica del sexo utilizando las tasas SEER específicas del sexo con el RA específico del sexo. Este procedimiento se repitió para cada uno de los 100 conjuntos de parámetros de log(HR) muestreados y sus estimaciones de RA correspondientes, es decir, . Para cada conjunto, calculamos las estimaciones de riesgo absoluto basadas en el perfil del individuo. A partir de estos 200 valores de riesgo absoluto, calculamos la media como la estimación de riesgo final con intervalos de confianza o predicción del 95% calculados utilizando el error estándar bajo una aproximación normal.

La fórmula para calcular el riesgo absoluto se describe a continuación.^[50] Sea la edad actual del individuo, () represente las estimaciones de log(HR) para los factores de riesgo del estilo de vida y la PRS, y () denote el perfil de riesgo del individuo con factores de estilo de vida y PRS, respectivamente. Sea la tasa de riesgo basal de CCRC a la edad y la tasa de mortalidad SEER por causas distintas de CCRC a la edad . El riesgo absoluto de desarrollar CCRC en años para un individuo libre de enfermedad de edad se da por

En conjunto, proporcionamos las siguientes estimaciones de riesgo:

• Estimaciones de riesgo individuales

El riesgo individual se calculó utilizando las tasas de CRC del SEER específicas para el sexo, la raza y el origen étnico, las estimaciones de razón de riesgos (HR) específicas para el sexo de los factores de estilo de vida (Tabla 2) y las estimaciones de HR específicas para la raza y el origen étnico del índice de riesgo poligénico (PRS) (Tabla 3). Si un individuo seleccionó “Prefiero no responder” para el sexo, calculamos las estimaciones de riesgo para hombres y mujeres y presentamos ambas. Si un individuo seleccionó “Prefiero no responder” para la raza y el origen étnico, utilizamos las tasas generales del SEER para todos los grupos raciales y étnicos por sexo, y para el PRS utilizamos la HR para todos los grupos (Tabla 3). Luego, presentamos el riesgo absoluto correspondiente en función del sexo indicado por el individuo, o ambas estimaciones (masculina y femenina) si el sexo tampoco se proporcionó.

• Estimaciones de riesgo promedio

Para la comparación con la población general, calculamos el riesgo absoluto utilizando las tasas generales de CRC del SEER, promediadas de 2015 a 2019. Las tasas se obtuvieron combinando los datos de hombres y mujeres y de todos los grupos raciales y étnicos. Proporcionamos esto como el riesgo promedio de la población por edad.

• Participación del Panel Asesor Comunitario

Para garantizar que nuestra investigación se alinee con las preferencias de los miembros de la comunidad y maximice sus beneficios para la comunidad, formamos un Panel Asesor Comunitario (PAC) con miembros reclutados de todo el país, al inicio del proyecto. Esta iniciativa contó con el apoyo de los líderes de Alcance y Participación Comunitaria (COE) de cuatro instituciones colaboradoras: Fred Hutchinson Cancer Center (Washington), Moffitt Cancer Center (Florida), Cedars-Sinai Medical Center (California) y Cleveland Clinic (Ohio). Colaboramos estrechamente con el equipo de COE de cada institución para reclutar directamente a miembros de la comunidad o para presentar el proyecto a los consejos asesores comunitarios institucionales existentes. Los detalles del proceso de reclutamiento y las reuniones se proporcionan en los Materiales Suplementarios. En resumen, las reuniones del PAC ofrecen oportunidades de educación y participación bidireccionales, donde los miembros del PAC participan en debates facilitados con los líderes de investigación del PAC. Para preparar a los miembros del PAC para la colaboración en el proyecto de investigación, los líderes de investigación del PAC organizaron capacitación sobre CRC, detección de CRC, medicina de precisión, PRS y rentabilidad para optimizar la detección. Estas sesiones interactivas sentaron las bases para que el PAC pueda proporcionar recomendaciones sobre el desarrollo de esta herramienta de predicción de riesgos. El papel principal del PAC fue asesorar sobre el desarrollo de la herramienta web, centrándose en el enfoque general, el cuestionario y el informe, basándose en su experiencia en el trabajo con sus comunidades.

• Desarrollo del cuestionario y los informes de riesgo personalizados

Desarrollamos un cuestionario basado en los elementos de la encuesta utilizados en los estudios de cohorte y los estudios de casos y controles anidados ^[19], con la participación de los miembros del PAC. El cuestionario incluyó todas las variables descritas en la sección de Factores de Estilo de Vida y agregó preguntas relacionadas con los síntomas para ayudar a identificar a los usuarios que puedan necesitar consultar a un profesional de la salud en lugar de utilizar la herramienta web. Proporcionamos explicaciones detalladas sobre el consumo de carne, los procedimientos endoscópicos y los suplementos de venta libre para mejorar la comprensión de los usuarios. Los usuarios pueden optar por no responder a las preguntas sobre el sexo o la raza y el origen étnico. Si no se proporciona el sexo, se muestran las estimaciones de riesgo de CRC para hombres y mujeres.

Si faltan la raza y el origen étnico, la herramienta presenta las estimaciones de riesgo de CRC específicas para el sexo de la población general. En este escenario, utilizamos las tasas generales del SEER específicas para el sexo, junto con las siguientes estimaciones de parámetros: HR específicas para el sexo y las razones de riesgos (AR) correspondientes para los factores de estilo de vida (con AR agrupadas en todos los grupos raciales y étnicos); y las razones de posibilidades (OR) del PRS y la AR derivada analíticamente correspondiente que no se estratificó por sexo, raza u origen étnico.

Diseñamos un informe de riesgo personalizado siguiendo las mejores prácticas en la comunicación de riesgos,^[30] e incorporamos las lecciones aprendidas de investigaciones cualitativas previas sobre la comprensión del PRS por parte de los pacientes,^[31] y el uso de información de riesgo personalizada,^[31], así como los comentarios del PAC. Los comentarios del PAC sobre el informe incluyeron aportaciones sobre 1) el uso de gráficos visuales para representar el riesgo de CRC, 2) las descripciones de las opciones de detección de CRC, 3) la importancia de los colores, el tamaño de la fuente y el diseño para cumplir con las directrices de la Ley de Estadounidenses con Discapacidades (ADA), 4) la capacidad de recibir un informe personalizado en formato de documento portátil (PDF) y 5) un llamado a la acción para hablar con un médico sobre sus resultados. El informe incluyó gráficos que representaban tanto el riesgo individual como el promedio a 10 años y de por vida de CRC. También proporcionamos información educativa sobre cómo controlar el riesgo de CRC a través de medidas concretas, como iniciar la detección de CRC, aumentar la actividad física y consumir frutas y fibra, o reducir el consumo de tabaco y carne roja. Los prototipos del informe personalizado se mejoraron en función de los comentarios del PAC. Colaboramos con expertos en educación del paciente para mejorar aún más la claridad y la eficacia de nuestros mensajes para la población en general. Un informe de muestra está disponible en los Materiales Suplementarios.

• Infraestructura de la herramienta web

Desarrollamos una canalización paralela y basada en la nube para calcular rápidamente el PRS individualizado para CRC a partir de los datos de DTC-GT y combinarlos con las estimaciones de riesgo de estilo de vida. La canalización realiza el preprocesamiento, la fase, la imputación, el cálculo del PRS y la estimación del riesgo absoluto, integrando tanto la información genética como la del estilo de vida para generar una evaluación de riesgo personalizada para cada usuario. La herramienta no almacena datos, excepto durante el cálculo, y las puntuaciones finales se calculan en el navegador del usuario, lo que garantiza que no se almacenen datos ni resultados durante más tiempo del necesario. Los usuarios pueden optar por cargar solo los datos de DTC-GT para evaluar su riesgo genético, responder solo al cuestionario para evaluar su riesgo de estilo de vida o hacer ambas cosas para obtener la evaluación de riesgo más completa. El tiempo que transcurre desde la carga de los datos de DTC-GT hasta la presentación de los rangos de PRS brutos varía entre 2 y 3 minutos, según la velocidad de carga. Los usuarios pueden responder a las preguntas sobre el estilo de vida mientras se calcula el PRS en la nube. Completar el cuestionario sobre el estilo de vida suele tardar entre 3 y 6 minutos. Los cálculos del PRS ajustado y/o del riesgo de estilo de vida, así como la generación del informe, se realizan en el navegador del usuario en cuestión de segundos.

Una vez que el usuario carga los datos de DTC-GT, el archivo de entrada se valida primero para garantizar que esté en un formato compatible y que los datos de genotipado sean de calidad suficiente. Esto incluye la comprobación de la integridad estructural (por ejemplo, las columnas requeridas y los identificadores de SNP válidos), la verificación de que el número de SNP por cromosoma cumpla o supere los valores esperados, lo que reduce el riesgo de archivos truncados o dañados. Los archivos que no superan esta comprobación se rechazan sin un procesamiento adicional y se notifica al usuario con una explicación. Una vez validados, el archivo DTC-GT sin procesar se analiza por cromosoma. Solo se conservan las variantes autosómicas (cromosomas 1-22), ya que el PRS se calcula solo a partir de estos loci. Las variantes del cromosoma sexual y el ADN mitocondrial se excluyen. Luego, cada cromosoma autosómico se procesa de forma independiente utilizando una función nativa de la nube, lo que permite la ejecución paralela. Los detalles de las comprobaciones de control de calidad se proporcionan en los Materiales Suplementarios.

Específicamente, utilizamos Amazon Web Services (AWS) Lambda, un servicio de computación sin servidor a la carta optimizado para cargas de trabajo efímeras. El almacenamiento efímero se proporciona como un directorio temporal que existe solo durante la ejecución de la función Lambda. Este almacenamiento se elimina automáticamente una vez que finaliza la función, lo que garantiza que no se retengan datos después del procesamiento. Para no depender únicamente del protocolo de eliminación de Amazon, la función Lambda elimina los datos tan pronto como ya no son necesarios. AWS Lambda se seleccionó no solo por su modelo rentable, sino también por su sólido perfil de seguridad: cada función Lambda se ejecuta en un entorno de sandbox sin estado y de corta duración, sin acceso a ningún archivo del sistema operativo o almacenamiento de otras funciones, lo que reduce sustancialmente el riesgo de filtración de datos o acceso no autorizado. Además, cada instancia de Lambda procesa un solo cromosoma y calcula solo un valor de PRS específico del cromosoma parcial.

Dentro de cada instancia de Lambda, los datos de genotipo se convierten del formato específico del proveedor al formato de llamada de variantes (VCF) ampliamente utilizado. Las variantes con genotipos faltantes o variación estructural se filtran. La herramienta determina automáticamente la versión del genoma del archivo de genotipado cargado y, si es necesario, la ajusta a la versión utilizada para la fase y la imputación. Los archivos VCF limpios se fasean utilizando Eagle2^[51] (versión 2.4.1), que infiere la estructura del haplotipo en función de los patrones de desequilibrio de enlace local. Luego, las variantes faseadas se imputan utilizando Minimac4^[52] (versión 4.1.3) utilizando el panel de referencia de 1000 Genomes, lo que permite inferir las variantes no tipificadas con una confianza probabilística.

Después de la imputación, cada función Lambda calcula un PRS bruto específico del cromosoma sumando las dosis imputadas ponderadas por sus correspondientes tamaños de efecto. Estos valores de PRS por cromosoma se almacenan temporalmente hasta que las 22 puntuaciones estén listas para enviarse al navegador, donde se suman para generar el PRS bruto general, que se calibra en función del origen genético utilizando una distribución de referencia derivada del panel de 1000 Genomes.^[16]

La puntuación de PRS calibrada se utiliza luego para calcular la estimación personalizada del riesgo de CRC a 10 años y de por vida, junto con los factores de estilo de vida y demográficos del cuestionario. Los cálculos de riesgo se realizan localmente en el navegador del usuario. En ningún momento se transmiten o almacenan las respuestas del cuestionario o las estimaciones de riesgo finales de forma remota. Se genera un informe personalizado para el usuario, que incluye las estimaciones del riesgo de CRC a 10 años y de por vida hasta los 90 años, junto con una comparación con los promedios de la población. El informe también proporciona orientación general sobre las opciones de detección de CRC y las estrategias de mitigación de riesgos.

• Seguridad de los datos y cumplimiento ético

El desarrollo y la implementación de nuestra herramienta de predicción basada en la web se adhirieron a rigurosos estándares de seguridad de datos y cumplimiento ético. Para garantizar la seguridad de los datos, utilizamos protocolos de cifrado estándar de la industria para la transferencia de archivos, soluciones de computación y almacenamiento descentralizadas y efímeras y controles de acceso alineados con el principio de privilegio mínimo. La herramienta se aloja en AWS y es administrada por un equipo dedicado en Fred Hutch. La plataforma AWS se somete a un monitoreo continuo por parte de Fred Hutch y organizaciones de terceros y recibe actualizaciones de los protocolos de seguridad para garantizar la protección continua de los datos. Es importante destacar que los datos se eliminan tan pronto como finaliza el cálculo del PRS o en un plazo de 10 minutos si se produce un error; no se retienen datos a nivel individual, se vinculan a otra información personal ni se almacenan durante más tiempo del necesario para la generación del informe. Antes de su lanzamiento, nuestra herramienta web fue revisada internamente para garantizar el cumplimiento de los requisitos de los dispositivos médicos. Antes de cargar datos y responder a las preguntas, todos los usuarios deben confirmar que han revisado la exención de responsabilidad que indica que el sitio no tiene la intención de proporcionar asesoramiento médico e indicar su aceptación de los términos y condiciones con respecto a la privacidad. Nuestro estudio fue aprobado por el IRB de Fred Hutchinson, y una descripción completa de la aprobación se puede encontrar en los archivos complementarios.

Múltiple imputación

Realizamos una imputación múltiple por separado para cada sexo (masculino y femenino) y tipo de estudio (cohorte y caso-control anidado) utilizando un modelo conjunto. Este enfoque permite la imputación simultánea de variables continuas y discretas a nivel del participante y del estudio, y se adapta a datos que faltan de forma sistemática o esporádica.^[38] La imputación se realizó para todos los factores de riesgo con valores faltantes, excepto para el historial de endoscopia (colonoscopia o sigmoidoscopia). Dado que una proporción considerable de participantes en múltiples estudios presentaba información faltante sobre endoscopias previas, la imputación de esta variable podría haber introducido incertidumbre adicional. En cambio, creamos una categoría de "desconocido". Por lo tanto, cada participante se clasificó como "sí", "no" o "desconocido", asegurando que todos los individuos conservaran un valor observado para esta variable en el análisis. Generamos 180 conjuntos de datos imputados utilizando un enfoque de modelado conjunto que incorporó todos los factores de riesgo y resultados. El modelo conjunto supuso que los datos observados seguían una distribución normal multivariada, con una estructura normal latente utilizada para manejar las variables categóricas. Cada estudio se trató como un grupo. Se incluyeron varias variables completamente observadas como predictores en el modelo de imputación, incluyendo el estado de Cáncer Colorrectal (CCR), la edad al inicio del estudio, el historial de endoscopia y la raza y etnia. Para los estudios de cohorte, también incluimos la edad al diagnóstico (para los casos de CCR) o la edad en la última observación (para los no casos). Para los estudios de caso-control anidado, incluimos la edad al diagnóstico para los casos y la edad coincidente en el momento de la selección para los controles. Para los datos de caso-control anidado, realizamos 2000 iteraciones de "burn-in" y luego generamos 180 conjuntos de datos imputados, cada uno separado por 2000 iteraciones. Debido al tamaño de muestra sustancialmente grande en los estudios de cohorte, la imputación múltiple requiere muchos más recursos computacionales. Por lo tanto, utilizamos 200 para el "burn-in" y entre las actualizaciones de imputación.

Para las variables continuas, se aplicó una transformación logarítmica, cuando fue apropiado, antes del modelado conjunto para adaptarse a la suposición de normalidad. Los valores imputados se elevaron a la potencia para devolverlos a su escala original. Para las variables con un valor mínimo de cero, como el consumo de carne roja, se agregó una pequeña constante (igual al percentil 5 de los datos originales distintos de cero) antes de la transformación logarítmica previa a la imputación. Después de la imputación, se restó la misma constante después de la transformación exponencial. Por lo tanto, el valor después de la transformación logarítmica estaba bien definido. Para las variables continuas, dado que una extracción aleatoria de una distribución normal puede ser arbitrariamente grande o pequeña, el último paso fue "winsorizar" los valores al rango observado de los datos originales.

Realizamos una imputación múltiple utilizando el paquete R jomo.^[39]

Metaanálisis de datos individuales de participantes

Realizamos un metaanálisis de datos individuales de participantes para estimar los efectos específicos por sexo (razones de riesgo, RR) de los factores de riesgo. Este enfoque preserva la agrupación de individuos dentro de los estudios y se considera el "estándar de oro" para las revisiones sistemáticas.^[40] Se utilizó un enfoque de metaanálisis en dos pasos.^[41]

La Figura 4 muestra una descripción esquemática del flujo de trabajo del metaanálisis.

En el primer paso, se analizaron los datos individuales de los participantes imputados para cada estudio. Para cada uno de los 180 conjuntos de datos imputados dentro de cada estudio, ajustamos un modelo de regresión logística para el estudio de caso-control anidado o un modelo de regresión de riesgos proporcionales de Cox para el estudio de cohorte, incluyendo todos los factores de riesgo y ajustando por la raza y la etnia como covariable. Para los estudios de caso-control anidado, el modelo de regresión logística también ajustó por la edad al inicio del estudio y el tiempo transcurrido desde el inicio del estudio. Para los estudios de cohorte, el modelo de Cox tuvo en cuenta la edad al inicio del estudio mediante la truncación izquierda, con resultados de supervivencia definidos utilizando la edad como escala de tiempo: la edad al diagnóstico para los casos de CCR y la edad en la última observación para los no casos, junto con el estado de CCR. Dado el tamaño de muestra limitado en algunos estudios y para mejorar la interpretabilidad y garantizar la estabilidad del modelo, incluimos solo efectos lineales para los factores de riesgo. En los análisis de caso-control anidado, estimamos la razón de probabilidades (OR), que se aproxima bien a la RR para enfermedades raras como el CCR ^[42]. Para cada conjunto de datos imputados, obtuvimos un vector de estimaciones de log(RR) para los factores de riesgo y la matriz de (co)varianza correspondiente. En algunos estudios con un tamaño de muestra limitado, ciertos factores de riesgo no pudieron estimarse en uno o más conjuntos de datos imputados. Para mantener la coherencia entre las imputaciones, si un factor de riesgo no pudo estimarse en ninguno de los 180 conjuntos de datos imputados, se consideró que no era estimable para ese estudio. Utilizando la regla de Rubin para la imputación múltiple multivariable, agrupamos las estimaciones de log(RR) entre los conjuntos de datos imputados, obteniendo estimaciones de RR específicas del estudio y matrices de (co)varianza que tuvieron en cuenta la incertidumbre debida a los datos faltantes.^[43] Sea el vector de parámetros de interés. Específicamente, para , denota el vector de parámetros estimado del conjunto de datos imputado y denota la matriz de (co)varianza correspondiente. La estimación agrupada de es simplemente el promedio con su matriz de (co)varianza como

En el segundo paso, realizamos un metaanálisis multivariable de efectos aleatorios para sintetizar las RR específicas del estudio, permitiendo la heterogeneidad entre estudios mediante la incorporación de efectos aleatorios del estudio.^[44] Utilizamos el método de máxima verosimilitud restringida, asumiendo una estructura de (co)varianza diagonal entre estudios, es decir, se asumió que los efectos aleatorios para los diferentes parámetros de log(RR) no estaban correlacionados entre los estudios. El método también se adapta a los factores de riesgo para los que las RR no pudieron estimarse en algunos estudios. Específicamente, establece las estimaciones de RR faltantes en 0, las covarianzas correspondientes en 0 y las varianzas en la varianza observada más grande multiplicada por 106, de modo que las estimaciones correspondientes contribuyan solo de forma insignificante a las estimaciones finales. Obtuvimos las estimaciones medias generales de RR y la matriz de (co)varianza correspondiente. Derivamos tanto los intervalos de confianza como los intervalos de predicción de las estimaciones de RR. Para los intervalos de confianza, la (co)varianza de las estimaciones es la matriz de (co)varianza de la estimación media general de RR, lo que refleja su incertidumbre, y para los intervalos de predicción, incluye además la matriz de (co)varianza de la heterogeneidad de las estimaciones de RR entre los estudios, proporcionando una estimación del rango de efectos que se podría esperar en un nuevo entorno de estudio.^[45] Realizamos un metaanálisis multivariable de efectos aleatorios utilizando el paquete R mvmeta.^[46]

Puntuación de riesgo poligénico

Utilizamos la puntuación de riesgo poligénico (PRS) asiática-europea desarrollada previamente basada en 69.175 individuos de ascendencia asiática (21.731 casos; 47.444 controles) y 185.616 individuos de ascendencia europea (78.473 casos; 107.143 controles)^[16]. La PRS se validó en conjuntos de datos independientes en cuatro grupos principales autodeclarados: asiático, negro o afroamericano, hispano y blanco no hispano^[16]. La puntuación se construye como una suma ponderada de 1.020.293 SNPs de HapMap3, con pesos derivados utilizando LDpred2^[47]. Estos pesos correspondieron a los tamaños de efecto posteriores medios de los SNPs, estimados a partir de un modelo bayesiano conjunto de los efectos de los SNPs, asumiendo una distribución de mezcla previa que consistía en una masa puntual en cero y una distribución normal para los efectos distintos de cero. El modelo se entrenó utilizando estadísticas de asociación marginal de un GWAS combinado de Asia y Europa utilizando el estimador de varianza inversa. Incorporó una matriz de desequilibrio de enlace construida a partir de individuos asiáticos y europeos, ponderada proporcionalmente a sus respectivas contribuciones a las estadísticas resumidas combinadas. Se muestra una descripción esquemática en la Figura 5.

Dado que nuestras poblaciones de estudio utilizadas para estimar los efectos de los factores de estilo de vida formaban parte del conjunto de datos de entrenamiento utilizado para desarrollar la PRS asiática-europea, la reestimación de los efectos de la PRS utilizando estos datos conduciría a un sobreajuste y posibles estimaciones infladas. Para evitar este sesgo, utilizamos las estimaciones de la razón de probabilidades para la PRS obtenidas de conjuntos de datos independientes, como se informó en Thomas et al. (2023, Tabla 3), estratificadas por grupos de población autodeclarados. Todos los análisis en Thomas et al. se ajustaron por la edad y los cuatro primeros componentes principales para tener en cuenta la posible estructura de la población.

Imputación de genotipo de muestra única

^[48] Dado que la imputación de genotipos en la mayoría de los entornos se realiza conjuntamente en muchas muestras para aprovechar los haplotipos compartidos, puede ser difícil adaptar estos métodos para cálculos por usuario en un entorno basado en la web. Dado que los valores de PRS se calculan inmediatamente después de la carga, implementamos un flujo de trabajo de imputación de muestra única que puede procesar cargas individuales de forma rápida e independiente. Utilizamos el panel de referencia 1000 Genomes Fase 3, bien caracterizado y disponible públicamente, que incluye 661 africanos, 347 afroamericanos, 504 asiáticos orientales, 503 europeos y 489 asiáticos del sur.^[48] Para evaluar el rendimiento de este enfoque de imputación de genotipos de muestra única, analizamos 830 muestras genotipadas personalizadas del Proyecto del Genoma Personal^[49], que incluyen 6 africanos, 265 afroamericanos, 36 asiáticos orientales, 523 europeos y 25 asiáticos del sur. Cada muestra se imputó dos veces: primero utilizando el flujo de trabajo de muestra única implementado en la canalización MyGeneRisk y, en segundo lugar, utilizando un flujo de trabajo por lotes en el que todas las 830 muestras se procesaron conjuntamente con Eagle2 e imputaron con Minimac4 contra el mismo panel de referencia de 1000 Genomes. Se calculó la PRS a partir de los archivos de dosis de ambos flujos de trabajo. Las estimaciones de PRS derivadas de los genotipos imputados de muestra única y por lotes mostraron una alta concordancia (correlación de Pearson > 0,98; Figura S4), lo que indica que el flujo de trabajo de muestra única proporciona resultados comparables a los métodos estándar basados en lotes.

Estimación del riesgo atribuible (RA)

Para desarrollar un modelo de riesgo absoluto, necesitamos estimar los riesgos atribuibles tanto para la PRS como para los factores de estilo de vida, de modo que se pueda calcular el riesgo de base.

Derivación de los RA de los factores de riesgo del estilo de vida.

Para facilitar la estimación de los RA para los factores de riesgo del estilo de vida, definimos una puntuación de riesgo del estilo de vida (LRS), construida como una suma ponderada de los factores de riesgo del estilo de vida con un peso igual al logaritmo de su correspondiente RR. Para algunos estudios, debido al tamaño de muestra limitado, no fue posible obtener estimaciones de RR para ciertos factores de riesgo del estilo de vida, lo que hizo imposible estimar los riesgos atribuibles (RA) específicos del estudio basándose únicamente en sus datos. Para abordar esta limitación, desarrollamos un enfoque alternativo basado en el muestreo, como se muestra en la Figura 6. Utilizando este marco, derivamos tanto los intervalos de confianza del 95% como los intervalos de predicción para las estimaciones de RA de la siguiente manera.

Primero, generamos 200 muestras aleatorias de valores de log(RR) específicos del sexo para los factores de riesgo del estilo de vida, extraídas de la distribución de confianza de las estimaciones de RR, denotada por . Cada muestra, como un vector, representa un conjunto plausible de valores de log(RR) para un nuevo individuo (en este caso, el usuario de la herramienta web). Con cada vector de log(RR) muestreado tratado como la verdad, obtuvimos la distribución de confianza de RA basada en múltiples conjuntos de datos imputados generados utilizando el mismo enfoque que en la estimación de RR (Figura 4). Obtuvimos las distribuciones de confianza de RA por sexo para cada uno de los grupos raciales y étnicos, asiático, negro o afroamericano, hispano y blanco no hispano, así como para la población general. Finalmente, extrajimos aleatoriamente un valor de RA de su distribución de confianza, como un valor de RA plausible correspondiente al vector de log(RR) específico. En general, obtuvimos 200 estimaciones de RA específicas de LRS, cada una vinculada a una de las 200 LRS específicas .

Para la distribución de predicción de RA, seguimos el mismo procedimiento, excepto que los valores de log(RR) específicos del sexo se extraerían de la distribución de predicción de las estimaciones de RR, y luego obtuvimos la distribución de predicción de RA.

Derivación de los RA de la PRS:

Para tener en cuenta la incertidumbre en las estimaciones de log(HR) del PRS para asiáticos, negros o afroamericanos, hispanos y blancos no hispanos, respectivamente, generamos 200 extracciones aleatorias de la distribución específica de la población del log(HR) del PRS, denotada por . Basándonos en Thomas et al. (2023)^[16], la distribución del PRS entre los casos siguió una distribución normal y se observó que era homogénea en los diferentes estudios. Para un valor de HR dado para el PRS, el AR específico del PRS se puede derivar analíticamente mediante , donde es la función de densidad normal del PRS entre los casos con una media y una varianza de 1. Generamos 200 estimaciones de AR específicas del PRS, cada una vinculada a uno de los 200 valores de log(HR) muestreados, lo que dio como resultado estimaciones emparejadas .

Derivación de los AR generales del PRS y los factores de estilo de vida (LRS):

En nuestras poblaciones de estudio, el PRS y el LRS estaban solo débilmente correlacionados (coeficiente de correlación de Pearson < 0,1), lo que indica que los factores genéticos y de estilo de vida predicen el riesgo de CRC de forma independiente. Por lo tanto, calculamos el AR general como una función del AR específico del LRS y el AR específico del PRS, . Específicamente, para cada combinación de sexo, raza y etnia, generamos 200 extracciones aleatorias de pares de AR específicos del PRS y AR específicos del LRS, es decir, , con cada par vinculado a uno de los vectores de log(HR) específicos del LRS y al PRS específicos mencionados anteriormente. Calculamos el AR general mediante y obtuvimos 200 tríos que se utilizan para calcular el riesgo absoluto. Esto se hará tanto para el cálculo de los intervalos de confianza como para los intervalos de predicción.

Derivación de los AR de los factores de riesgo del estilo de vida.

Para facilitar la estimación de los AR de los factores de riesgo del estilo de vida, definimos una puntuación de riesgo del estilo de vida (LRS), construida como una suma ponderada de los factores de riesgo del estilo de vida, con un peso igual al logaritmo de su HR correspondiente. Para algunos estudios, debido al tamaño limitado de la muestra, no fue posible obtener estimaciones de HR para ciertos factores de riesgo del estilo de vida, lo que hizo imposible estimar los riesgos atribuibles (AR) específicos del estudio basándose únicamente en sus datos. Para abordar esta limitación, desarrollamos un enfoque alternativo basado en el muestreo, como se muestra en la Figura 6. Utilizando este marco, derivamos tanto los intervalos de confianza del 95% como los intervalos de predicción para las estimaciones de AR de la siguiente manera.

Primero, generamos 200 muestras aleatorias de valores de log(HR) específicos del sexo para los factores de riesgo del estilo de vida, extraídas de la distribución de confianza de las estimaciones de HR, denotada por . Cada muestra, como un vector, representa un conjunto plausible de valores de log(HR) para un nuevo individuo (en este caso, el usuario de la herramienta web). Con cada vector de log(HR) muestreado tratado como la verdad, obtuvimos la distribución de confianza del AR basada en múltiples conjuntos de datos imputados generados utilizando el mismo enfoque que en la estimación de HR (Figura 4). Obtuvimos las distribuciones de confianza del AR por sexo para cada uno de los grupos raciales y étnicos: asiático, negro o afroamericano, hispano, blanco no hispano, así como para la población general. Finalmente, extrajimos aleatoriamente un valor de AR de su distribución de confianza, como un valor de AR plausible correspondiente al vector de log(HR) específico. En general, obtuvimos 200 estimaciones de AR específicas del LRS, cada una vinculada a uno de los 200 LRS específicos .

Para la distribución de predicción del AR, seguimos el mismo procedimiento, excepto que los valores de log(HR) específicos del sexo se extraerían de la distribución de predicción de las estimaciones de HR, y luego obtuvimos la distribución de predicción del AR.

Derivación de los AR del PRS:

Para tener en cuenta la incertidumbre en las estimaciones de log(HR) del PRS para asiáticos, negros o afroamericanos, hispanos y blancos no hispanos, respectivamente, generamos 200 extracciones aleatorias de la distribución específica de la población del log(HR) del PRS, denotada por . Basándonos en Thomas et al. (2023)^[16], la distribución del PRS entre los casos siguió una distribución normal y se observó que era homogénea en los diferentes estudios. Para un valor de HR dado para el PRS, el AR específico del PRS se puede derivar analíticamente mediante , donde es la función de densidad normal del PRS entre los casos con una media y una varianza de 1. Generamos 200 estimaciones de AR específicas del PRS, cada una vinculada a uno de los 200 valores de log(HR) muestreados, lo que dio como resultado estimaciones emparejadas .

Derivación de los AR generales del PRS y los factores de estilo de vida (LRS):

En nuestras poblaciones de estudio, el PRS y el LRS estaban solo débilmente correlacionados (coeficiente de correlación de Pearson < 0,1), lo que indica que los factores genéticos y de estilo de vida predicen el riesgo de CRC de forma independiente. Por lo tanto, calculamos el AR general como una función del AR específico del LRS y el AR específico del PRS, . Específicamente, para cada combinación de sexo, raza y etnia, generamos 200 extracciones aleatorias de pares de AR específicos del PRS y AR específicos del LRS, es decir, , con cada par vinculado a uno de los vectores de log(HR) específicos del LRS y al PRS específicos mencionados anteriormente. Calculamos el AR general mediante y obtuvimos 200 tríos que se utilizan para calcular el riesgo absoluto. Esto se hará tanto para el cálculo de los intervalos de confianza como para los intervalos de predicción.

Estimación del riesgo absoluto

Para estimar el riesgo futuro de un individuo de desarrollar CRC, utilizamos HR específicas del sexo, la raza y la etnia, y estimaciones de la función de riesgo basal específica del sexo, la edad y la raza y la etnia, basadas en el perfil de riesgo del PRS y el estilo de vida del individuo. Teniendo en cuenta los riesgos competitivos, calculamos la probabilidad de desarrollar CRC durante un intervalo de tiempo preespecificado (por ejemplo, 5, 10 o 20 años), condicionado a la edad y los factores de riesgo actuales.

Específicamente, calculamos las tasas de riesgo basal específicas del sexo, la edad y la raza y la etnia multiplicando las tasas de incidencia de CRC del Sistema de Vigilancia, Epidemiología y Resultados en Cáncer (SEER) correspondientes, promediadas entre 2015 y 2019, por 1-AR (como se describe anteriormente). Para los individuos que prefieren no responder a su raza y etnia, también calculamos la tasa de riesgo basal específica del sexo utilizando las tasas SEER específicas del sexo con AR específicas del sexo. Este procedimiento se repitió para cada uno de los 200 conjuntos de parámetros de log(HR) muestreados y sus estimaciones de AR correspondientes, es decir, . Para cada conjunto, calculamos las estimaciones de riesgo absoluto basadas en el perfil del individuo. A partir de estos 200 valores de riesgo absoluto, calculamos la media como la estimación de riesgo final con intervalos de confianza o predicción del 95% calculados utilizando el error estándar bajo una aproximación normal.

La fórmula para calcular el riesgo absoluto se describe a continuación.^[50] Sea la edad actual del individuo, () represente las estimaciones de log(HR) para los factores de riesgo del estilo de vida y el PRS, y () denote el perfil de riesgo del individuo con factores de estilo de vida y PRS , respectivamente. Sea la tasa de riesgo basal de CRC a la edad , y la tasa de mortalidad SEER por causas distintas de CRC a la edad . El riesgo absoluto de desarrollar CRC en años para un individuo sin la enfermedad a la edad se da por

En conjunto, proporcionamos las siguientes estimaciones de riesgo:

• Estimaciones de riesgo individuales

El riesgo individual se calculó utilizando las tasas de CRC específicas del sexo, la raza y la etnia del SEER, las estimaciones de HR específicas del sexo para los factores de estilo de vida (Tabla 2) y las estimaciones de HR específicas de la raza y la etnia para el PRS (Tabla 3). Si un individuo selecciona "Prefiero no responder" para el sexo, calculamos las estimaciones de riesgo tanto para hombres como para mujeres y presentamos ambas. Si un individuo selecciona "Prefiero no responder" para la raza y la etnia, utilizamos las tasas generales del SEER en todos los grupos raciales y étnicos por sexo, y para el PRS utilizamos la HR para todos los grupos (Tabla 3). Luego, presentamos el riesgo absoluto correspondiente en función del sexo informado por el individuo, o ambas estimaciones, masculina y femenina, si el sexo tampoco se proporcionó.

• Estimaciones de riesgo promedio

Para la comparación con la población general, calculamos el riesgo absoluto utilizando las tasas generales de CRC del SEER promediadas de 2015 a 2019. Las tasas se obtuvieron combinando los datos de hombres y mujeres y de todos los grupos raciales y étnicos. Lo proporcionamos como el riesgo promedio de la población por edad.

• Estimaciones de riesgo individuales

El riesgo individual se calculó utilizando las tasas de CRC específicas del sexo, la raza y la etnia del SEER, las estimaciones de HR específicas del sexo para los factores de estilo de vida (Tabla 2) y las estimaciones de HR específicas de la raza y la etnia para el PRS (Tabla 3). Si un individuo selecciona "Prefiero no responder" para el sexo, calculamos las estimaciones de riesgo tanto para hombres como para mujeres y presentamos ambas. Si un individuo selecciona "Prefiero no responder" para la raza y la etnia, utilizamos las tasas generales del SEER en todos los grupos raciales y étnicos por sexo, y para el PRS utilizamos la HR para todos los grupos (Tabla 3). Luego, presentamos el riesgo absoluto correspondiente en función del sexo informado por el individuo, o ambas estimaciones, masculina y femenina, si el sexo tampoco se proporcionó.

• Estimaciones de riesgo promedio

Para la comparación con la población general, calculamos el riesgo absoluto utilizando las tasas generales de CRC del SEER promediadas de 2015 a 2019. Las tasas se obtuvieron combinando los datos de hombres y mujeres y de todos los grupos raciales y étnicos. Lo proporcionamos como el riesgo promedio de la población por edad.

Participación del Panel Asesor Comunitario

Para garantizar que nuestra investigación se alinee con las preferencias de los miembros de la comunidad y maximice su beneficio para la comunidad, formamos un Panel Asesor Comunitario (CAP) con miembros reclutados de todo el país al comienzo del proyecto. Esta iniciativa contó con el apoyo de los líderes de Alcance y Participación Comunitaria (COE) de cuatro instituciones colaboradoras: Fred Hutchinson Cancer Center (Washington), Moffitt Cancer Center (Florida), Cedars-Sinai Medical Center (California) y Cleveland Clinic (Ohio). Colaboramos estrechamente con el equipo de COE de cada institución para reclutar directamente a los miembros de la comunidad o para presentar el proyecto a los consejos asesores comunitarios institucionales existentes. Los detalles del proceso de reclutamiento y las reuniones se proporcionan en los Materiales Suplementarios. En resumen, las reuniones del CAP ofrecen oportunidades de educación y participación bidireccionales, donde los miembros del CAP participan en debates facilitados con los líderes de investigación del CAP. Para preparar a los miembros del CAP para la colaboración en el proyecto de investigación, los líderes de investigación del CAP organizaron capacitación sobre CRC, detección de CRC, medicina de precisión, PRS y rentabilidad para optimizar la detección. Estas sesiones interactivas sentaron las bases para equipar al CAP para que proporcione recomendaciones sobre el desarrollo de esta herramienta de predicción de riesgos. El papel principal del CAP fue asesorar sobre el desarrollo de la herramienta web, centrándose en el enfoque general, el cuestionario y el informe, aprovechando su experiencia en el trabajo con sus comunidades.

Desarrollo del cuestionario y los informes de riesgo personalizados

Desarrollamos un cuestionario basado en los elementos de la encuesta utilizados en los estudios de cohorte y los estudios de casos y controles anidados ^[19] con la participación de los miembros del CAP. El cuestionario incluyó todas las variables descritas en la sección de Factores del estilo de vida y agregó preguntas relacionadas con los síntomas para ayudar a identificar a los usuarios que puedan necesitar consultar a un proveedor de atención médica en lugar de utilizar la herramienta web. Proporcionamos explicaciones detalladas sobre el consumo de carne, los procedimientos endoscópicos y los suplementos de venta libre para mejorar la comprensión de los usuarios. Los usuarios pueden optar por no responder a las preguntas sobre el sexo o la raza y la etnia. Si no se proporciona el sexo, se muestran las estimaciones de riesgo de CRC tanto para hombres como para mujeres.

Si falta la raza y la etnia, la herramienta presenta las estimaciones de riesgo de CRC específicas del sexo para la población general. En este escenario, utilizamos las tasas generales del SEER específicas del sexo junto con las siguientes estimaciones de parámetros: HR específicas del sexo y AR correspondientes para los factores de estilo de vida (con AR agrupadas en todos los grupos raciales y étnicos); y OR del PRS y AR derivadas analíticamente correspondientes que no se estratificaron por sexo o raza y etnia.

Diseñamos un informe de riesgo personalizado siguiendo las mejores prácticas en comunicación de riesgos,^[30] e incorporamos las lecciones aprendidas de investigaciones cualitativas previas sobre la comprensión del PRS por parte de los pacientes,^[31] y el uso de información de riesgo personalizada,^[31], así como los comentarios de los participantes del estudio (CAP). Los comentarios de los participantes del estudio sobre el informe incluyeron información sobre 1) el uso de gráficos visuales para representar el riesgo de CCRC, 2) descripciones de las opciones de detección de CCRC, 3) la importancia de los colores, el tamaño de la fuente y el diseño para cumplir con las directrices de la Ley de Estadounidenses con Discapacidades, 4) la posibilidad de recibir el informe personalizado en formato de documento portátil (PDF) y 5) un llamado a la acción para hablar con un médico sobre sus resultados. El informe incluyó gráficos que mostraban tanto el riesgo individual como el promedio a 10 años y de por vida de CCRC. También proporcionamos información educativa sobre cómo controlar el riesgo de CCRC a través de medidas concretas, como iniciar la detección de CCRC, aumentar la actividad física y consumir frutas y fibra, o reducir el consumo de tabaco y carne roja. Los prototipos del informe personalizado se mejoraron basándose en los comentarios de los participantes del estudio. Colaboramos con expertos en educación para pacientes para mejorar aún más la claridad y la eficacia de nuestros mensajes para la población en general. Un ejemplo de informe está disponible en los Materiales Suplementarios.

Infraestructura de la herramienta web

Desarrollamos una plataforma en la nube y un proceso paralelo para calcular rápidamente el PRS individualizado para CCRC a partir de los datos de DTC-GT y los combinamos con estimaciones de riesgo relacionadas con el estilo de vida. El proceso realiza preprocesamiento, faseamiento, imputación, cálculo del PRS y estimación del riesgo absoluto, integrando tanto la información genética como la del estilo de vida para generar una evaluación de riesgo personalizada para cada usuario. La herramienta no almacena datos, excepto durante el cálculo, y las puntuaciones finales se calculan en el navegador del usuario, lo que garantiza que los datos o resultados no se almacenen durante más tiempo del necesario. Los usuarios pueden optar por cargar solo los datos de DTC-GT para evaluar su riesgo genético, responder solo al cuestionario para evaluar su riesgo relacionado con el estilo de vida, o hacer ambas cosas para obtener la evaluación de riesgo más completa. El tiempo que transcurre desde la carga de los datos de DTC-GT hasta la presentación de los rangos de PRS brutos varía entre 2 y 3 minutos, dependiendo de la velocidad de carga. Los usuarios pueden responder a las preguntas sobre el estilo de vida mientras se calcula el PRS en la nube. Completar el cuestionario sobre el estilo de vida suele tardar entre 3 y 6 minutos. Los cálculos del PRS ajustado y/o del riesgo relacionado con el estilo de vida, así como la generación del informe, se realizan en el navegador del usuario en cuestión de segundos.

Una vez que el usuario carga los datos de DTC-GT, el archivo de entrada se valida primero para garantizar que esté en un formato compatible y que los datos de genotipado sean de calidad suficiente. Esto incluye la comprobación de la integridad estructural (por ejemplo, las columnas requeridas y los identificadores de SNP válidos), la verificación de que el número de SNP por cromosoma cumpla o supere los valores esperados, lo que reduce el riesgo de archivos truncados o dañados. Los archivos que no superan esta comprobación se rechazan sin un procesamiento adicional, y se notifica al usuario con una explicación. Una vez validados, el archivo de DTC-GT sin procesar se analiza por cromosoma. Solo se conservan las variantes autosómicas (cromosomas 1-22), ya que el PRS se calcula solo a partir de estos loci. Las variantes del cromosoma sexual y el ADN mitocondrial se excluyen. A continuación, cada cromosoma autosómico se procesa de forma independiente utilizando una función nativa de la nube, lo que permite la ejecución en paralelo. Los detalles de las comprobaciones de control de calidad se proporcionan en los Materiales Suplementarios.

Específicamente, utilizamos Amazon Web Services (AWS) Lambda, un servicio de computación sin servidor a la carta optimizado para cargas de trabajo efímeras. El almacenamiento efímero se proporciona como un directorio temporal que existe solo durante la ejecución de la función Lambda. Este almacenamiento se elimina automáticamente una vez que finaliza la función, lo que garantiza que no se retengan datos después del procesamiento. Para no depender únicamente del protocolo de eliminación de Amazon, la función Lambda elimina los datos tan pronto como ya no son necesarios. AWS Lambda se seleccionó no solo por su modelo rentable, sino también por su sólido perfil de seguridad: cada función Lambda se ejecuta en un entorno aislado y de corta duración, sin acceso a ningún archivo del sistema operativo o almacenamiento de otras funciones, lo que reduce sustancialmente el riesgo de fuga de datos o acceso no autorizado. Además, cada instancia de Lambda procesa un solo cromosoma y calcula solo un valor de PRS específico del cromosoma.

Dentro de cada instancia de Lambda, los datos de genotipo se convierten del formato específico del proveedor al ampliamente utilizado Formato de llamada de variantes (VCF). Las variantes con genotipos faltantes o variación estructural se eliminan. La herramienta determina automáticamente la versión del genoma del archivo de genotipado cargado y, si es necesario, la adapta a la versión utilizada para el faseamiento y la imputación. Los archivos VCF limpios se fasean utilizando Eagle2^[51] (versión 2.4.1), que infiere la estructura del haplotipo basándose en los patrones de desequilibrio de enlace local. A continuación, las variantes faseadas se imputan utilizando Minimac4^[52] (versión 4.1.3) utilizando el panel de referencia de 1000 Genomas, lo que permite inferir las variantes no genotipadas con una confianza probabilística.

Tras la imputación, cada función Lambda calcula un PRS bruto específico del cromosoma sumando las dosis imputadas ponderadas por sus correspondientes tamaños de efecto. Estos valores de PRS por cromosoma se almacenan temporalmente hasta que las 22 puntuaciones estén listas para enviarse al navegador, donde se suman para generar el PRS bruto general, que se calibra en función del origen genético utilizando una distribución de referencia derivada del panel de 1000 Genomas.^[16]

La puntuación del PRS calibrada se utiliza entonces para calcular la estimación personalizada del riesgo de CCRC a 10 años y de por vida, junto con los factores relacionados con el estilo de vida y los datos demográficos del cuestionario. Los cálculos de riesgo se realizan localmente en el navegador del usuario. En ningún momento se transmiten o almacenan de forma remota las respuestas al cuestionario ni las estimaciones finales del riesgo. Se genera un informe personalizado para el usuario, que incluye las estimaciones del riesgo de CCRC a 10 años y de por vida hasta los 90 años, junto con una comparación con los promedios de la población. El informe también proporciona orientación general sobre las opciones de detección de CCRC y las estrategias de mitigación del riesgo.

Seguridad de los datos y cumplimiento ético

El desarrollo y la implementación de nuestra herramienta de predicción basada en la web se adhirieron a rigurosos estándares de seguridad de datos y cumplimiento ético. Para garantizar la seguridad de los datos, utilizamos protocolos de cifrado estándar de la industria para la transferencia de archivos, soluciones de computación y almacenamiento descentralizadas y efímeras, y controles de acceso alineados con el principio de mínimo privilegio. La herramienta se aloja en AWS y es gestionada por un equipo dedicado en Fred Hutch. La plataforma AWS se somete a una supervisión continua por parte de Fred Hutch y organizaciones externas, y recibe actualizaciones de los protocolos de seguridad para garantizar la protección continua de los datos. Es importante destacar que los datos se eliminan tan pronto como finaliza el cálculo del PRS o en un plazo de 10 minutos si se produce un error; no se retienen datos a nivel individual, se vinculan a otra información personal ni se almacenan durante más tiempo del necesario para la generación del informe. Antes de su lanzamiento, nuestra herramienta web fue revisada internamente para garantizar el cumplimiento de los requisitos de los dispositivos médicos. Antes de cargar datos y responder a las preguntas, todos los usuarios deben confirmar que han revisado el descargo de responsabilidad que indica que el sitio no tiene la intención de proporcionar asesoramiento médico e indicar su aceptación de los términos y condiciones relativos a la privacidad. Nuestro estudio fue aprobado por el IRB de Fred Hutchinson, y una descripción completa de la aprobación se puede encontrar en los archivos complementarios.