ML Predicción de la recurrencia en el cáncer de tiroides pediátrico: análisis de cohorte MET utilizando XGBoost y...

Área de la Ciencia:

• En el campo de la oncología
• Aprendizaje automático
• Endocrinología pediátrica

Sus antecedentes:

• El carcinoma tiroideo diferenciado pediátrico (DTC) a menudo se presenta con enfermedad avanzada.
• A pesar de la buena supervivencia en general, la recurrencia y la falta de remisión son comunes, lo que requiere una mejor estratificación temprana del riesgo.

Objetivo del estudio:

• Crear y evaluar un modelo de aprendizaje automático interpretable para predecir la recurrencia o la no remisión en el DTC pediátrico.
• Utilice los datos clínicos y bioquímicos de rutina para la estratificación del riesgo.

Principales métodos:

• Análisis retrospectivo de 250 pacientes pediátricos con DTC del Registro (GPOH-) MET (1997-2023).
• Se entrenó y validó un clasificador XGBoost, con SHapley Additive exPlanations (SHAP) utilizado para la interpretabilidad.
• El criterio de valoración del estudio fue la recurrencia estructural o la falta de remisión en 24 meses.

Principales resultados:

• El modelo logró un AUROC de 0,86 en un conjunto de pruebas independiente.
• Los predictores clave incluyeron una edad más joven en el momento del diagnóstico (< 10 años), niveles elevados de tiroglobulina postoperatoria y metástasis distantes.
• El análisis SHAP proporcionó información sobre la importancia de las características para la interpretabilidad del modelo.

Conclusiones:

• Un modelo de aprendizaje automático interpretable predice de manera confiable la recurrencia temprana o la no remisión en el DTC pediátrico.
• Esta herramienta puede mejorar los sistemas actuales de estratificación del riesgo.
• Apoya estrategias de tratamiento personalizadas y adaptadas al riesgo para pacientes pediátricos con DTC.