Video Experimental Relacionado
Updated: Sep 10, 2025
03:05
Author Spotlight: Advancing Early Detection and Treatment of Gastrointestinal Tumors
Published on: February 16, 2024
1.2K
Predicción del aprendizaje automático de la fuga anastomótica después de la resección anterior baja: análisis de la
Takashi Sakamoto1,2,3, Hideki Endo2, Hiroyuki Yamamoto2
1Department of Gastroenterological Surgery, Cancer Institute Hospital, Japanese Foundation for Cancer Research, Tokyo, Japan.
Medicine
|August 27, 2025
Resumen
Es difícil predecir las fugas anastomáticas después de la cirugía de cáncer rectal. Los modelos de aprendizaje automático que utilizan datos preoperatorios mostraron una capacidad de predicción subóptima, lo que indica dificultad para pronosticar fugas antes de la cirugía.
Área de la Ciencia:
- Cirugía colorrectal
- Oncología quirúrgica
- Informática médica
Sus antecedentes:
- La fuga anastomótica (AL) después de la resección anterior baja (LAR) para el cáncer rectal plantea un desafío clínico significativo.
- La predicción preoperatoria precisa de la AL es crucial para el tratamiento y los resultados del paciente.
Objetivo del estudio:
- Desarrollar y validar modelos predictivos de aprendizaje automático (ML) para la AL utilizando datos preoperatorios.
- Evaluar el rendimiento predictivo de los modelos de regresión logística, regresión de Lasso y aumento de gradiente eXtreme (XGBoost).
Principales métodos:
- Análisis retrospectivo de 119,818 pacientes sometidos a LAR para cáncer rectal de la base de datos clínica nacional de Japón (2015-2021).
- Desarrollo de tres modelos predictivos: regresión logística, regresión de Lasso y XGBoost.
- Validación de modelos utilizando el área bajo la curva de características de funcionamiento del receptor (AUROC) y el ensayo DeLong para la comparación.
Principales resultados:
- La incidencia de AL fue del 9,6% en la cohorte de derivación y del 8,4% en la cohorte de validación.
- Todos los modelos desarrollados demostraron capacidades predictivas similares y subóptimas en la cohorte de validación (AUROC ~ 0,63).
- La regresión logística (AUROC 0,6324), la regresión de Lasso (AUROC 0,6333) y XGBoost (AUROC 0,6333) no mostraron diferencias significativas en el rendimiento.
Conclusiones:
- Los modelos de aprendizaje automático que utilizan datos preoperatorios recopilados rutinariamente tienen una capacidad predictiva subóptima para AL después de LAR.
- La predicción preoperatoria de fugas anastomóticas sigue siendo un desafío, lo que requiere un asesoramiento cuidadoso del paciente con respecto a este riesgo.
