Desarrollo de un modelo de predicción de riesgos basado en el aprendizaje automático y análisis de factores de riesgo...

Área de la Ciencia:

• En el campo de la oncología
• Hematología
• La informática médica

Sus antecedentes:

• El cáncer de mama es una de las principales enfermedades malignas en las mujeres.
• La quimioterapia con docetaxel es un tratamiento común, pero causa toxicidad hematológica, específicamente supresión de la médula ósea.
• La identificación temprana de pacientes con alto riesgo de supresión de la médula ósea es vital para prevenir complicaciones y mejorar los resultados del tratamiento.

Objetivo del estudio:

• Para identificar los factores de riesgo de supresión de la médula ósea en pacientes con cáncer de mama que reciben docetaxel.
• Desarrollar y validar modelos de aprendizaje automático para predecir la supresión de la médula ósea inducida por docetaxel.

Principales métodos:

• Estudio retrospectivo de casos y controles en 119 pacientes con cáncer de mama tratadas con docetaxel.
• Los pacientes se clasificaron en grupos con supresión de la médula ósea (grados II-IV de la OMS) y sin supresión (grados 0-I).
• Se desarrollaron y evaluaron modelos de regresión logística multivariada, bosque aleatorio y AdaBoost utilizando validación cruzada.

Principales resultados:

• El bajo recuento basal de linfocitos, la disminución del recuento de glóbulos blancos y la reducción del nivel de prealbumina fueron predictores significativos de la supresión de la médula ósea.
• El modelo AdaBoost demostró el mayor rendimiento (AUC=0,81, especificidad=94%, precisión=77%).
• El bosque aleatorio logró una sensibilidad del 83%, mientras que la regresión logística tuvo una menor capacidad predictiva (AUC = 0,69).

Conclusiones:

• El recuento de linfocitos antes del tratamiento, el recuento de glóbulos blancos y el nivel de prealbumina predicen con fiabilidad la supresión de la médula ósea inducida por docetaxel.
• El modelo AdaBoost muestra una alta especificidad para la identificación de pacientes de bajo riesgo.
• Estos hallazgos apoyan la estratificación del riesgo y la atención personalizada en el tratamiento del cáncer de mama.