Estudio comparativo sobre la predicción de metástasis a distancia posoperatoria de cáncer de pulmón basado en modelos...

Área de la Ciencia:

• Oncología
• Informática Médica
• Aprendizaje Automático

Sus antecedentes:

• El cáncer de pulmón es una de las principales causas de mortalidad por cáncer a nivel mundial.
• La metástasis a distancia posoperatoria afecta significativamente el pronóstico y la supervivencia del paciente.
• La predicción oportuna del potencial metastásico es crucial para estrategias de tratamiento efectivas.

Objetivo del estudio:

• Comparar el rendimiento predictivo de nueve modelos de aprendizaje automático (ML) para la metástasis posoperatoria de cáncer de pulmón.
• Mejorar la interpretabilidad del modelo utilizando SHAP (Shapley Additive Explanations).
• Desarrollar una herramienta transparente de estratificación de riesgos para el manejo posoperatorio del cáncer de pulmón.

Principales métodos:

• Análisis retrospectivo de datos clínicos de 3120 pacientes con cáncer de pulmón en estadio I-III.
• Desarrollo y evaluación de nueve modelos de ML que incluyen XGBoost, RF, LightGBM, AdaBoost, DT, GBDT, GNB, CNB y MLP.
• Evaluación del rendimiento utilizando precisión, exactitud, exhaustividad, puntuación F1, ROC-AUC, PR-AUC, calibración y análisis de curvas de decisión (DCA) con validación cruzada anidada.

Principales resultados:

• El árbol de decisión de aumento de gradiente (GBDT) logró el mayor rendimiento predictivo con un AUC de 0.810.
• Los predictores clave identificados por el análisis SHAP incluyen quimioterapia adyuvante, radioterapia adyuvante, estadio N patológico, edad, IMC y recuento de neutrófilos preoperatorio.
• Los modelos desarrollados mostraron potencial para la integración clínica para ayudar en la toma de decisiones en tiempo real.

Conclusiones:

• El GBDT demostró una capacidad predictiva superior para la metástasis a distancia posoperatoria del cáncer de pulmón.
• El análisis SHAP proporcionó información valiosa sobre los predictores influyentes, apoyando las estrategias de tratamiento personalizadas.
• El estudio ofrece un marco validado para la gestión de precisión, que requiere validación externa antes del despliegue clínico.