Modelo de aprendizaje automático para predecir el riesgo de desnutrición en pacientes con cáncer de pulmón después de...

Área de la Ciencia:

• Oncología
• Informática Médica
• Aprendizaje Automático

Sus antecedentes:

• La detección temprana de la desnutrición es crucial para los pacientes con cáncer de pulmón sometidos a resección toracoscópica.
• Los modelos de predicción existentes carecen de interpretabilidad clínica, lo que dificulta su adopción.
• Este estudio tuvo como objetivo desarrollar un modelo de aprendizaje automático (ML) explicable para la predicción del riesgo de desnutrición.

Objetivo del estudio:

• Establecer un modelo de ML explicable para predecir el riesgo de desnutrición en pacientes con cáncer de pulmón.
• Evaluar el rendimiento del modelo en múltiples centros clínicos.
• Desarrollar una aplicación web para el apoyo a la toma de decisiones clínicas.

Principales métodos:

• Análisis retrospectivo de 1.134 pacientes con cáncer de pulmón (conjuntos de entrenamiento/pruebas) y validación externa prospectiva (273 pacientes).
• Construcción y comparación de ocho modelos de ML, incluyendo XGBoost, Random Forest y Regresión Logística.
• Se utilizaron SHapley Additive exPlanations (SHAP) para la interpretabilidad del modelo y el Análisis de Curva de Decisión (DCA) y las curvas ROC para la evaluación del rendimiento.

Principales resultados:

• La incidencia de desnutrición postoperatoria fue del 11,3% en 1.407 pacientes.
• Se identificaron siete factores de riesgo independientes: albúmina, puntuación del Nutritional Risk Screening 2002, edad, pérdida de sangre intraoperatoria, volumen total de drenaje, puntuación BADL y potasio sérico.
• El modelo XGBoost demostró un rendimiento superior con AUC de 0,845 (pruebas) y 0,886 (validación externa).

Conclusiones:

• Un modelo de ML explicable basado en XGBoost predice eficazmente el riesgo de desnutrición después de la resección toracoscópica en pacientes con cáncer de pulmón.
• El modelo integra una alta precisión predictiva con interpretabilidad clínica, lo que ayuda a la estratificación del riesgo y las intervenciones nutricionales personalizadas.
• Una calculadora web disponible públicamente facilita la aplicación clínica y mejora los resultados de los pacientes.