Video Experimental Relacionado
Updated: Jan 23, 2026

Murine Model of Leukemia Relapse to Induction Chemotherapy for Acute Lymphoblastic Leukemia
Published on: October 17, 2025
PREPARE ALL: Una herramienta de inteligencia artificial para predecir recaídas en niños con leucemia linfoblástica
Subikksha Saravanan1, Raghunathan Rengaswamy2, Gaurav Narula3
1Department of Cancer Biology and Molecular Diagnostics, Cancer Institute (WIA), Chennai, India.
La herramienta PREPARE-ALL utiliza aprendizaje automático para predecir la recaída de la leucemia linfoblástica aguda (LLA) pediátrica, identificando el doble de recaídas que los médicos. Este enfoque impulsado por IA ayuda a la detección temprana y la planificación del tratamiento para mejorar los resultados de los pacientes.
Área de la Ciencia:
- Oncología Pediátrica
- Aprendizaje Automático en Atención Médica
- Neoplasias Hematológicas
Sus antecedentes:
- La leucemia linfoblástica aguda (LLA) es una preocupación importante en la oncología pediátrica.
- La predicción precisa de la recaída es crucial para los ajustes de tratamiento oportunos y la mejora de los resultados.
- Los métodos actuales para la predicción de recaídas pueden no aprovechar al máximo los datos clínicos y de laboratorio complejos.
Objetivo del estudio:
- Desarrollar y validar la herramienta PREPARE-ALL (Pediatric Relapse Prediction and Risk Evaluation for Acute Lymphoblastic Leukemia).
- Integrar la experiencia clínica con el aprendizaje automático (ML), específicamente Extreme Gradient Boosting (XGBoost), para la predicción de recaídas.
- Comparar la sensibilidad de las predicciones basadas en ML con las evaluaciones individuales de los médicos en la LLA pediátrica.
Principales métodos:
- Desarrollo de la herramienta PREPARE-ALL utilizando datos de la cohorte pre-ensayo ICiCLe ALL-14 en cinco centros.
- Inclusión de 33 características clínicas y de laboratorio en el modelo.
- Se utilizó una división de entrenamiento-prueba de 80:20 para la validación del modelo con XGBoost.
Principales resultados:
- El modelo XGBoost logró una sensibilidad del 68,5 % en la detección de recaídas entre 2252 pacientes pediátricos con LLA.
- Los predictores clave de recaída incluyeron la alta hiperdiploidía, la positividad del fusionamiento BCR-ABL1 y el estado de la enfermedad residual medible.
- PREPARE-ALL demostró una mayor recuperación (68,5 %) en comparación con el juicio clínico (aproximadamente 31 %-36 %).
Conclusiones:
- La herramienta PREPARE-ALL predice eficazmente la recaída en la LLA pediátrica, identificando el doble de recaídas que los médicos.
- Sirve como una herramienta práctica de apoyo a la decisión para la clasificación temprana de recaídas y la planificación del tratamiento.
- Los ajustes terapéuticos oportunos guiados por PREPARE-ALL pueden mejorar los resultados en pacientes con LLA pediátrica.
Videos de Conceptos Relacionados
Intelligence
Predicting Molecular Geometry
Measures of Intelligence
Validity refers to how well a test measures what it claims to measure. An intelligence test should accurately assess intelligence rather than another characteristic, like anxiety. Criterion validity is one way to evaluate this;...
Multiple Intelligences Theory
Cattell's Theory of Intelligence
Fluid intelligence involves the capacity to solve new problems and adapt to unfamiliar situations. It's the type of intelligence individuals use when they encounter a novel problem or puzzle that requires innovative thinking. For instance, figuring out how to operate a new gadget relies heavily on...
Triarchic Theory of Intelligence

