Predicción de eventos relacionados con el esqueleto en metástasis ósea de cáncer de mama avanzado mediante...

Área de la Ciencia:

• Oncología; Informática Médica; Aprendizaje Automático

Sus antecedentes:

• La metástasis ósea del cáncer de mama aumenta significativamente el riesgo de eventos relacionados con el esqueleto (SRE).; La predicción precisa de los SRE es crucial para la intervención oportuna y la mejora del manejo del paciente.; Los modelos predictivos existentes pueden no aprovechar completamente el potencial del aprendizaje automático para esta tarea compleja.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático (ML) para predecir SRE en pacientes con metástasis ósea de cáncer de mama.; Identificar características clínicas y bioquímicas clave asociadas con el riesgo de SRE en esta población de pacientes.

Principales métodos:

• Análisis de datos a nivel de paciente de un ensayo clínico que involucra a pacientes con metástasis ósea de cáncer de mama que reciben ácido zoledrónico.; Desarrollo de modelos de ML utilizando siete algoritmos y cinco conjuntos de características, con selección de características a través del método Boruta.; Entrenamiento y validación del modelo utilizando validación cruzada de diez veces y validación cruzada externa de cuatro veces, con rendimiento evaluado por puntuación F1 y valores SHAP.

Principales resultados:

• Un modelo de bosque aleatorio que utiliza seis características seleccionadas por Boruta logró el mayor rendimiento (puntuación F1 de 0.70).; El estado de rendimiento, el historial de SRE y la fosfatasa alcalina sérica se identificaron como los predictores más significativos.; El modelo diferenció eficazmente a los pacientes en grupos de alto riesgo (tiempo mediano hasta el primer SRE: 248 días) y de bajo riesgo (tiempo mediano hasta el primer SRE: 867 días).

Conclusiones:

• Un modelo de aprendizaje automático puede predecir con precisión los SRE en pacientes con cáncer de mama con metástasis ósea.; El modelo desarrollado identifica factores de riesgo críticos y estratifica a los pacientes según su probabilidad de experimentar SRE.; Esta capacidad predictiva puede ayudar a los médicos en la estratificación de riesgos y las estrategias de tratamiento personalizadas para pacientes con cáncer de mama y metástasis óseas.