Métodos de aprendizaje automático para predecir la recurrencia temprana en el cáncer de vejiga en estadio Ta y...

Área de la Ciencia:

• Urología
• Oncología
• Informática Médica

Sus antecedentes:

• La predicción de la recurrencia en el cáncer de vejiga en estadio Ta es fundamental para el manejo del paciente.
• Los cánceres de vejiga no músculo-invasivos (NMIBC) requieren una estratificación precisa del riesgo para estrategias de seguimiento efectivas.
• La identificación temprana del riesgo de recurrencia en el cáncer de vejiga Ta es esencial.

Objetivo del estudio:

• Comparar el rendimiento predictivo de los modelos de aprendizaje automático (ML) frente a los métodos estadísticos convencionales.
• Evaluar la precisión en la predicción de la recurrencia postoperatoria a los 2 años para el cáncer de vejiga en estadio Ta.
• Identificar factores clínicos y patológicos significativos asociados con la recurrencia temprana.

Principales métodos:

• Análisis retrospectivo de 184 pacientes con cáncer de vejiga primario Ta entre 2018-2021.
• Los datos incluyeron parámetros demográficos, clínicos, de imagen y patológicos.
• Se construyeron modelos predictivos utilizando algoritmos de Cox-regresión, bosque aleatorio, regresión logística y k-vecinos más cercanos (KNN).

Principales resultados:

• Los predictores significativos de recurrencia temprana incluyeron el índice de masa corporal, la puntuación del American Society of Anesthesiologists (ASA) y la hematuria macroscópica.
• El modelo de Cox-regresión convencional arrojó un Área Bajo la Curva (AUC) de 0.66.
• Los modelos de aprendizaje automático demostraron un rendimiento superior: Bosque Aleatorio (AUC=0.75), Regresión Logística (AUC=0.87) y KNN (AUC=0.74).

Conclusiones:

• Los modelos de aprendizaje automático superan significativamente a los métodos estadísticos convencionales en la predicción de la recurrencia del cáncer de vejiga Ta.
• Las herramientas de predicción basadas en ML pueden mejorar la precisión de la evaluación del riesgo de recurrencia en NMIBC.
• Los hallazgos respaldan la integración de ML en la toma de decisiones clínicas para el seguimiento del cáncer de vejiga.