Predicción de la eficacia de la inmunoterapia neoadyuvante con modelos de aprendizaje automático en el cáncer de...

Área de la Ciencia:

• Oncología
• Informática médica
• Radiología

Sus antecedentes:

• La respuesta a la inmunoterapia neoadyuvante en el cáncer de pulmón no microcítico (CPNM) resecable es muy variable.
• El aprendizaje automático (ML) ofrece potencial para integrar datos multimodales para predecir los resultados del tratamiento.
• Falta una evaluación sistemática de la calidad, el sesgo y la aplicabilidad clínica de los modelos de ML.

Objetivo del estudio:

• Evaluar sistemáticamente la calidad metodológica y el riesgo de sesgo en los modelos de ML que predicen la respuesta a la inmunoterapia neoadyuvante en CPNM resecable.
• Evaluar el rendimiento diagnóstico de estos modelos de ML.
• Identificar los factores que influyen en el rendimiento y la aplicabilidad del modelo.

Principales métodos:

• Se realizó una búsqueda sistemática de la literatura en 11 bases de datos.
• Extracción de datos y evaluación de la calidad utilizando las listas de verificación probast+AI, IJMEDI y RQS.
• Metaanálisis de métricas de rendimiento del modelo (AUC, sensibilidad, especificidad) utilizando el software R.
• Análisis de subgrupos basados en predictores, algoritmos y resultados.

Principales resultados:

• Se incluyeron diecisiete estudios con 44 modelos de ML; el 89% eran de baja calidad y alto sesgo.
• Los modelos mostraron fallos en el tamaño de la muestra, el manejo de datos faltantes y la validación.
• La validación interna mostró una AUC combinada de 0.786; la AUC de validación externa fue de 0.760.
• Los modelos de Máquina de Vectores de Soporte (SVM) y no radiómicos demostraron un rendimiento superior.

Conclusiones:

• Los modelos de ML tienen potencial para predecir la eficacia de la inmunoterapia neoadyuvante en CPNM resecable.
• Los modelos SVM y no radiómicos parecen ser los más prometedores.
• Las limitaciones metodológicas y el riesgo de sesgo exigen una interpretación cuidadosa y un refinamiento futuro para la traslación clínica.