Un algoritmo de aprendizaje automático para recomendaciones de tableros de tumores en pacientes con cáncer de...

Área de la Ciencia:

• En el campo de la oncología
• La informática médica
• Aprendizaje automático

Sus antecedentes:

• Las juntas multidisciplinarias de tumores (MTB) son cruciales para el tratamiento del cáncer de próstata, pero requieren mucho tiempo.
• La automatización de las recomendaciones del MTB puede mejorar la accesibilidad y la eficiencia.

Objetivo del estudio:

• Evaluar algoritmos de aprendizaje automático (ML) para automatizar las recomendaciones diagnósticas y terapéuticas en el tratamiento de pacientes con cáncer de próstata.
• Evaluar el rendimiento de los algoritmos de árbol de decisión, bosque aleatorio y vecinos más cercanos (KNN) en la predicción de decisiones de MTB.

Principales métodos:

• Se utilizó un conjunto de datos retrospectivo de las recomendaciones MTB de 1929 (2020-2024).
• Se entrenaron tres algoritmos ML para predecir recomendaciones para PSMA-PET, imágenes convencionales, vigilancia activa y terapia local.
• El rendimiento del modelo se evaluó utilizando la precisión, la precisión, el recuerdo y la puntuación F1.

Principales resultados:

• El modelo de Bosque Aleatorio logró la mayor precisión general (66,3%).
• Se observó una alta precisión para las predicciones de la terapia local (puntuación F1: 0,99).
• El rendimiento fue menor para las recomendaciones menos frecuentes (PSMA-PET, vigilancia activa) debido al desequilibrio de clase y los cambios en las directrices.

Conclusiones:

• El ML es prometedor para replicar los patrones de toma de decisiones MTB en el cáncer de próstata.
• Los modelos actuales requieren una optimización adicional para su aplicación clínica, sirviendo como prueba de concepto.
• La investigación futura debe centrarse en los datos multiinstitucionales, la validación prospectiva y la adaptación a las directrices en evolución.