Predicción de la recurrencia en un año después de la cirugía en metástasis hepáticas colorrectales utilizando...

Área de la Ciencia:

• Radiología
• En el campo de la oncología
• Aprendizaje automático

Sus antecedentes:

• La recidiva temprana de las metástasis hepáticas del cáncer colorrectal (CRLM) está relacionada con una supervivencia deficiente.
• La predicción precisa de los pacientes de alto riesgo es crucial para una intervención oportuna.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático para predecir la recurrencia temprana de CRLM.
• Identificar las principales características clínicas y radiómicas asociadas con el riesgo de recurrencia.

Principales métodos:

• Se extrajeron 993 características radiómicas de imágenes de TC de 197 pacientes con LMRC.
• Entrenó ocho modelos de aprendizaje automático, incluidos los bosques aleatorios y los árboles extremadamente aleatorios.
• Evaluación del rendimiento del modelo utilizando el área bajo la curva (AUC) para la predicción de la recurrencia.

Principales resultados:

• Los árboles extremadamente aleatorizados lograron un AUC de 0,9667 utilizando únicamente las características radiómicas.
• El modelo Random Forest combinando datos clínicos y radiómicos arrojó el AUC más alto de 0,9672.
• Todos los modelos mostraron un mejor rendimiento al integrar ambos tipos de características.

Conclusiones:

• Un modelo de bosque aleatorio basado en CT que integra datos clínicos y radiómicos predice efectivamente la recurrencia temprana de CRLM.
• Este modelo predictivo puede personalizar las estrategias de vigilancia postoperatoria.
• Se necesita una validación multicéntrica adicional debido a las limitaciones del estudio, como el tamaño de la muestra y el diseño de un solo centro.