Machine learning to predict early recurrence after oesophageal cancer surgery.

RESUMEN

ANTECEDENTES: la recidiva precoz del cáncer tras esofaguectomía es un problema frecuente con una incidencia del 20-30% a pesar del uso generalizado del tratamiento neoadyuvante. La cuantificación de este riesgo es difícil y los modelos actuales funcionan mal. Este estudio se propuso desarrollar un modelo predictivo para la recidiva precoz después de la cirugía para el adenocarcinoma de esófago utilizando una gran cohorte multinacional y enfoques con aprendizaje automático. MÉTODOS: Se analizaron pacientes consecutivos sometidos a esofaguectomía por adenocarcinoma y que recibieron tratamiento neoadyuvante en 6 unidades de cirugía esofagogástrica del Reino Unido y 1 de los Países Bajos. Con la utilización de características clínicas y la histopatología postoperatoria se generaron modelos mediante regresión de red elástica (elastic net regression, ELR) y métodos de aprendizaje automático Random Forest (RF) y XG boost (XGB). Finalmente, se generó un modelo combinado (Ensemble) de dichos métodos. La importancia relativa de los factores respecto al resultado se calculó como porcentaje de contribución al modelo. RESULTADOS: En total se incluyeron 812 pacientes. La tasa de recidiva a menos de 1 año fue del 29,1%. Todos los modelos demostraron una buena discriminación. Las áreas bajo la curva ROC (AUC) validadas internamente fueron similares, con el modelo Ensemble funcionando mejor (ELR = 0,791, RF = 0,801, XGB = 0,804, Ensemble = 0,805). El rendimiento fue similar cuando se utilizaba validación interna-externa (validación entre centros, Ensemble AUC = 0,804). En el modelo final, las variables más importantes fueron el número de ganglios linfáticos positivos (25,7%) y la invasión linfovascular (16,9%). CONCLUSIÓN: El modelo derivado con la utilización de aproximaciones con aprendizaje automático y un conjunto de datos internacional proporcionó un rendimiento excelente para cuantificar el riesgo de recidiva precoz tras la cirugía y será útil para clínicos y pacientes a la hora de establecer un pronóstico.