Desarrollo de un modelo predictivo de múltiples características para la estratificación del riesgo en el cáncer de pulmón de células no pequeñas en estadio IB-IIA: un análisis multicéntrico

Área de la Ciencia:

• En el campo de la oncología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La estratificación precisa del riesgo es crucial para el manejo del cáncer de pulmón de células no pequeñas (CPNP) en estadio IB-IIA.
• La integración de diversas fuentes de datos puede mejorar la precisión predictiva de los resultados de los pacientes.

Objetivo del estudio:

• Desarrollar y validar un modelo integral de estratificación del riesgo para el NSCLC en la etapa IB-IIA.
• Integrar los datos clínicos patológicos con las características de la tomografía computarizada previa al tratamiento (radiómica y aprendizaje profundo) para mejorar la predicción de la supervivencia libre de enfermedad (DFS).

Principales métodos:

• Un estudio retrospectivo utilizó tres cohortes independientes (n=370, 120, 70) para el desarrollo y la validación del modelo.
• Un modelo combinado de múltiples características (modelo CRD) integró regresión logística para factores clínicos patológicos, características radiómicas y un modelo de aprendizaje profundo basado en ResNet50.
• La supervivencia libre de enfermedad (DFS) fue el criterio de valoración primario, y la interpretabilidad del modelo se evaluó utilizando el análisis SHAP.

Principales resultados:

• El modelo CRD demostró un rendimiento superior en la predicción de la DFS con AUC de 0,865 (entrenamiento), 0,798 (validación interna) y 0,803 (validación externa).
• El modelo CRD efectivamente estratificó a los pacientes en grupos de alto y bajo riesgo, con un índice de riesgo significativo (IR) de 17.509 en la cohorte de validación externa.
• El análisis SHAP indicó que las características radiómicas fueron los contribuyentes más significativos al poder predictivo del modelo CRD.

Conclusiones:

• El modelo combinado de múltiples características desarrollado predice con precisión la DFS en la etapa IB-IIA del NSCLC.
• Este modelo puede identificar eficazmente a los pacientes de alto riesgo, facilitando estrategias de tratamiento postoperatorio personalizadas.
• La mejora de la estratificación del riesgo tiene el potencial de mejorar los resultados de los pacientes con NSCLC en etapa temprana.