El uso del aprendizaje automático para predecir la progresión en etapa avanzada del carcinoma hepatocelular en etapa...

Área de la Ciencia:

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

Sus antecedentes:

• El carcinoma hepatocelular (HCC) es un cáncer primario del hígado.
• La quimioembolización transarterial (TACE) es un tratamiento común para el HCC en etapa intermedia.
• La predicción de la progresión de la etapa avanzada (ASP) después del TACE es crucial para el manejo del paciente.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático (ML) para predecir la ASP después de la TACE en pacientes con CHC.
• Comparar el rendimiento del modelo ML con los sistemas de estadificación establecidos.
• Evaluar la utilidad del modelo de ML para guiar las decisiones posteriores al tratamiento con TACE.

Principales métodos:

• Un estudio retrospectivo multicéntrico incluyó a 2333 pacientes con HCC en estadio intermedio sometidos a TACE.
• Se utilizaron treinta y cuatro variables clínicas preoperatorias y de tomografía computarizada para entrenar seis modelos de ML.
• El modelo de mejor rendimiento, Categorical Gradient Boosting (CatBoost), se comparó con los sistemas de estadificación existentes utilizando índices de AUC y concordancia.

Principales resultados:

• El modelo CatBoost logró altos valores de AUC (0,97 entrenamiento, 0,94 prueba interna, 0,93 prueba externa) para la predicción de ASP.
• CatBoost demostró una capacidad de discriminación superior en comparación con los cinco principales sistemas de estadificación (P < .001).
• El modelo identificó pacientes de alto riesgo que se beneficiaron significativamente de la terapia sistémica posterior a la TACE (P < 0,001).

Conclusiones:

• El modelo CatBoost ML ofrece una predicción superior de ASP después de TACE para HCC en etapa intermedia en comparación con los sistemas de estadificación actuales.
• Este modelo estratifica efectivamente a los pacientes en grupos de riesgo, ayudando en estrategias de tratamiento personalizadas.
• Los hallazgos apoyan el uso de ML en la optimización de la gestión de HCC después de la TACE.