Modelo de inteligencia artificial para predecir la recurrencia bioquímica temprana del cáncer de próstata después de...

Área de la Ciencia:

• Urología
• En el campo de la oncología
• Ciencia de los datos

Sus antecedentes:

• La recurrencia del cáncer de próstata después de la prostatectomía radical (RP) es un desafío clínico significativo.
• Los modelos de riesgo existentes, como CAPRA-S, ofrecen una precisión de predicción moderada para la recurrencia bioquímica (BCR).
• Se necesitan herramientas más precisas para predecir el BCR posterior a la RP laparoscópica asistida por robot (RALP, por sus siglas en inglés).

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático (ML) para predecir el BCR después del RALP.
• Comparar el rendimiento de los modelos ML con las herramientas tradicionales de estratificación del riesgo.

Principales métodos:

• Análisis retrospectivo de 1024 pacientes (476 BCR+, 548 BCR-) sometidos a RALP.
• Se utilizaron 25 variables clínicas y patológicas para el desarrollo del modelo.
• Se evaluaron cinco clasificadores ML, incluido XGBoost, y se validaron en un conjunto de datos independiente de 96 pacientes.

Principales resultados:

• El modelo XGBoost logró una precisión del 84% y un AUC de 0,91 en la cohorte primaria.
• La validación en un conjunto de datos independiente arrojó un AUC de 0,89, confirmando la robustez del modelo.
• XGBoost demostró una mayor aplicabilidad clínica y estratificación del riesgo en comparación con la puntuación CAPRA-S.

Conclusiones:

• El aprendizaje automático, específicamente XGBoost, ofrece una poderosa herramienta para predecir BCR después de RALP.
• El modelo ML desarrollado puede mejorar las estrategias de tratamiento personalizado y la gestión del paciente.
• Se recomienda una mayor validación en diversos entornos para apoyar la integración clínica de las herramientas de pronóstico basadas en ML.