Video Experimental Relacionado
Updated: Sep 10, 2025
Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
Transparencia en modelos validados externamente: una revisión sistemática del aprendizaje automático frente a la
Sara Ben Hmido1, Houssam Abder Rahim2, Erik W Ingwersen1
1Department of Surgery, Amsterdam University Medical Centers, De Boelelaan 1117, 1081, HV Amsterdam, the Netherlands; Cancer Center Amsterdam, De Boelelaan 1118, 1081, HV Amsterdam, the Netherlands.
Los modelos de aprendizaje automático (ML) para la predicción de fugas anastomóticas colorrectales muestran una menor transparencia y cohortes más pequeñas que la regresión logística (LR). Los modelos actuales de ML requieren un mayor desarrollo para su implementación clínica segura.
Área de la Ciencia:
- Investigación de resultados quirúrgicos
- La informática médica
- Análisis predictivo
Sus antecedentes:
- La resección colorrectal tiene un riesgo significativo de fuga anastomática (2,8% - 30%).
- El aprendizaje automático (ML) ofrece un potencial para la estimación de riesgos, pero se enfrenta a barreras de implementación clínica debido a problemas de transparencia.
- La regresión logística (LR) es un método estadístico tradicional para la predicción de riesgos.
Objetivo del estudio:
- Revisar y comparar sistemáticamente el rendimiento y la transparencia de los modelos ML frente a LR para predecir la fuga anastomática colorrectal.
- Evaluar el estado actual de preparación para la aplicación clínica de las herramientas de predicción basadas en ML.
Principales métodos:
- Revisión sistemática que se adhiere a las directrices de PRISMA.
- Buscó en las bases de datos Medline, Embase, Web of Science y Cochrane para obtener estudios relevantes.
- Estudios evaluados utilizando LR o ML con validación externa, evaluando la extracción de datos, el riesgo de sesgo (PROBAST) y la transparencia (TRIPOD+AI).
Principales resultados:
- Se incluyeron diez estudios en la revisión.
- Los modelos ML se validaron en cohortes más pequeñas con menos resultados en comparación con los modelos LR.
- Las puntuaciones de transparencia promediaron el 45% para LR y el 43% para ML, con informes inconsistentes de datos faltantes y validación externa limitada.
- La mayoría de los estudios mostraron un alto riesgo de sesgo debido al pequeño tamaño de las muestras y el bajo número de eventos.
Conclusiones:
- Los estudios de ML para la predicción de fugas anastomóticas están actualmente limitados por cohortes pequeñas, números de resultados bajos y transparencia reducida en comparación con LR.
- La investigación futura debe dar prioridad a la transparencia, adherirse a las normas TRIPOD+AI y desarrollar modelos LR y ML simultáneamente utilizando conjuntos de datos idénticos.
- Se recomiendan modelos separados para la cirugía de colon y recto. Los modelos actuales aún no son adecuados para la aplicación clínica; es esencial seguir desarrollándolos.
