Un modelo de aprendizaje automático interpretable para predecir la supervivencia en el cáncer de páncreas a través de...

Área de la Ciencia:

• Oncología; Aprendizaje automático; Bioestadística

Sus antecedentes:

• Los modelos de predicción de supervivencia del cáncer de páncreas tienen limitaciones.; La predicción precisa es crucial para el manejo del paciente y las estrategias de tratamiento.

Objetivo del estudio:

• Identificar características clínicas para predecir la supervivencia global (OS) en pacientes con cáncer de páncreas.; Desarrollar y validar modelos de aprendizaje automático para la predicción de OS en cáncer de páncreas.

Principales métodos:

• Análisis retrospectivo de 704 pacientes (entrenamiento/validación interna) y 131 pacientes (validación externa).; Desarrollo y comparación de cinco modelos de aprendizaje automático, incluido Random Survival Forest (RSF).; Se utilizó SHapley Additive exPlanation (SHAP) para la interpretabilidad del modelo.

Principales resultados:

• El modelo RSF demostró un rendimiento superior con AUCs de 0.81 (entrenamiento), 0.76 (interno) y 0.78 (validación externa).; Los predictores clave para OS incluyeron quimioterapia, CA19-9, dolor abdominal, recuento de resección de ganglios linfáticos y estadio TNM.; La tasa de supervivencia a 5 años fue del 22.1%, comparable a los datos internacionales.

Conclusiones:

• Se desarrolló y validó un modelo RSF interpretable utilizando datos multicéntricos.; Este modelo puede ayudar en la toma de decisiones clínicas y el tratamiento personalizado para el cáncer de páncreas.; Los factores pronósticos clave identificados ofrecen información sobre la progresión del cáncer de páncreas.