La Semana Académica del Hospital de Clínicas “Dr. Manuel Quintela” se celebra cada año en el mes de septiembre para conmemorar un nuevo aniversario del hospital. Las actividades principales incluyen ponencias, mesas de discusión y la premiación de trabajos de investigación científica.

Volver a Año 2025

SMART ROACH: UN ENFOQUE BASADO EN MACHINE LEARNING PARA MEJORAR LA PREDICCIÓN DEL RIESGO DE INVASIÓN GANGLIONAR...

Autor/es
ROSICH, Agustín; CUERVO, Belem; RICAGNI, Leandro; JUAN, Jimena; FERRER, Joaquin; CUBAS, Paulina; BENTACUR, Catalia; FLORES, Rodrigo; SÁNCHEZ, Esther; LORENZO, Federico

Categoría: Trabajo Científico

Área de conocimiento: Oncología

Resumen póster audio

Descargar
SMART ROACH: UN ENFOQUE BASADO EN MACHINE LEARNING PARA MEJORAR LA PREDICCIÓN DEL RIESGO DE INVASIÓN GANGLIONAR...

SMART ROACH: UN ENFOQUE BASADO EN MACHINE LEARNING PARA MEJORAR LA PREDICCIÓN DEL RIESGO DE INVASIÓN GANGLIONAR EN PACIENTES CON CÁNCER DE PRÓSTATA LOCALIZADO

 

Introducción

El cáncer de próstata es la neoplasia más común en hombres a nivel mundial. Si bien herramientas como la resonancia magnética multiparamétrica y las biopsias dirigidas han mejorado la caracterización tumoral, la estratificación precisa del riesgo sigue siendo un desafío clínico. La fórmula de Roach ha sido ampliamente utilizada para estimar el riesgo de invasión ganglionar (RIG), pero presenta limitaciones en precisión, especialmente en pacientes contemporáneos, debido a cambios en la clasificación tumoral y en las estrategias de detección.

Frente a este contexto, desarrollamos PREDICT (Prostate Risk Evaluation and Decision-making Integrating Clinical Tools), un modelo predictivo basado en machine learning, entrenado sobre datos del programa SEER, con el objetivo de ofrecer una estimación más precisa del RIG en cáncer de próstata localizado. Este modelo busca optimizar la toma de decisiones clínicas, en particular la indicación de irradiación nodal.

Materiales y Métodos

Se realizó un estudio retrospectivo utilizando datos de la base SEER ("Incidence - SEER Research Data, 8 Registries, Nov 2023 Sub"). Se incluyeron 55.299 pacientes diagnosticados con cáncer de próstata entre 2018 y 2021, clasificados en seis grupos de riesgo según TNM (AJCC 8.ª ed.) y guías NCCN 4.2024. Se excluyeron casos con datos incompletos.

El modelo PREDICT fue desarrollado con el algoritmo Gradient Boosting Machine (GBM) y entrenado en cinco iteraciones independientes por grupo de riesgo (60% entrenamiento / 40% validación). Los pacientes fueron binarizados según presencia o ausencia de afectación ganglionar. La performance de PREDICT fue comparada con la fórmula de Roach mediante sensibilidad, especificidad, AUC y precisión.

También se construyó un modelo de regresión logística para identificar predictores clave de invasión ganglionar (PSA, Gleason, estadio clínico, edad y etnia). El análisis se realizó con Python y JASP, aplicando validación cruzada y pruebas estadísticas (Chi-cuadrado).

Resultados

Se incluyeron 55.299 pacientes con cáncer de próstata localizado. El conjunto se dividió en 60% para entrenamiento (33.179) y 40% para validación (22.120). La mayoría tenía entre 60 y 80 años (75,4%), Gleason 6 o 7 (73,7%), y estadios clínicos T1c o T2.

En el grupo de riesgo bajo, PREDICT identificó 17.292 verdaderos negativos, 132 falsos positivos, 401 falsos negativos y 653 verdaderos positivos; mientras que Roach presentó 9.818 verdaderos negativos, 7.606 falsos positivos, 51 falsos negativos y 1.003 verdaderos positivos. Resultados similares se observaron en grupos intermedio y alto.

La exactitud global de PREDICT osciló entre 83% y 89% según grupo de riesgo, con AUC entre 0.87 y 0.98, especificidad mayor a 0.94, y sensibilidad entre 41% y 69%. En contraste, Roach tuvo una precisión inferior al 46% y especificidades que no superaron el 63%.

En la regresión logística, el puntaje de Gleason fue el predictor más fuerte (OR 2.56; IC 95%: 2.46–2.66), seguido por el nivel de PSA (OR 1.037; IC 95%: 1.036–1.039) y la edad (OR 0.99; IC 95%: 0.98–0.99).

Conclusiones

La decisión de irradiar ganglios pélvicos en cáncer de próstata sigue siendo controversial. Herramientas como la fórmula de Roach han sido útiles, pero presentan limitaciones en precisión y calibración frente a poblaciones contemporáneas. Estudios recientes han demostrado que sobreestima el riesgo en pacientes de bajo riesgo y puede subestimarlo en casos de alto riesgo.

El modelo PREDICT, desarrollado mediante machine learning y entrenado con más de 55.000 pacientes del programa SEER, mejoró significativamente la discriminación del riesgo de invasión ganglionar, especialmente reduciendo los falsos positivos. Esto se traduce en una herramienta más precisa para evitar sobretratamientos y guiar decisiones terapéuticas como la irradiación nodal.

PREDICT mostró una especificidad superior al 94%, AUC de hasta 0.98 y una precisión global superior al 83%, superando consistentemente a la fórmula de Roach. En regresión logística, Gleason, PSA y estadio clínico T fueron los predictores más relevantes.

El modelo representa una evolución respecto a las herramientas clásicas, incorporando datos actuales y técnicas de inteligencia artificial para personalizar la decisión clínica. Sin embargo, su validez externa debe confirmarse en cohortes con disección ganglionar pélvica extendida (ePLND) antes de su aplicación generalizada.

Enlaces / QR:

noderisk.onrender.com

Información de Contacto:

agustinrosich@gmail.com