Redes neuronales artificiales aplicadas a la predicción de resultados para pacientes con cáncer colorrectal en...

Área de la Ciencia:

• La inteligencia artificial es inteligencia artificial.
• Biología computacional Biología computacional.
• Oncología Oncología.

Sus antecedentes:

• Las redes neuronales artificiales (ANN) identifican patrones complejos en datos biológicos, superando el análisis estadístico lineal.
• Predecir los resultados individuales de los pacientes en el cáncer colorrectal (CRC) es un desafío con las estadísticas de población tradicionales.
• Este estudio explora las ANN para la predicción personalizada de los resultados de la CCR.

Objetivo del estudio:

• Capacitar y validar a los ANN para predecir el riesgo de mortalidad de pacientes individuales en cáncer colorrectal.
• Evaluar la generalizabilidad de las ANN capacitadas utilizando datos de una institución independiente.
• Para comparar la precisión predictiva de ANN con los cirujanos colorrectales consultores.

Principales métodos:

• Seis ANN fueron entrenadas en los datos de seguimiento de 5 años de 334 pacientes con CCR para la predicción de la muerte en varios intervalos (9-24 meses).
• Se aplicó una ANN de predicción de 12 meses a los datos de una segunda institución sin más capacitación.
• Las predicciones de ANN se compararon con las predicciones de los cirujanos colorrectales utilizando los mismos datos ocultos.

Principales resultados:

• Los ANNs lograron una precisión de >80% en la predicción de la muerte de pacientes individuales dentro de los 9-24 meses en la institución de capacitación.
• La ANN de 12 meses demostró una precisión del 90% en los datos de la segunda institución, superando la precisión de los cirujanos (79% y 75%).
• La sensibilidad y la especificidad promedio para los ANN fueron del 60% y 88%, respectivamente.

Conclusiones:

• Las ANN mejoran significativamente la precisión de la predicción del resultado del cáncer colorrectal para pacientes individuales en comparación con los métodos actuales.
• Las ANN entrenadas demuestran un sólido rendimiento predictivo en datos de instituciones no relacionadas, lo que indica una fuerte generalización.
• Este enfoque ofrece una herramienta prometedora para la medicina personalizada en el manejo del cáncer colorrectal.