Modelos interpretables de aprendizaje automático para el pronóstico en pacientes con cáncer gástrico

Este estudio de cohorte retrospectivo multicéntrico tuvo como objetivo desarrollar y validar un modelo de predicción explicable para el pronóstico después de la gastrectomía en pacientes con cáncer gástrico. El estudio incluyó a pacientes sometidos a gastrectomía radical por cáncer gástrico primario o de la unión gastroesofágica en múltiples instituciones de China.

El objetivo principal era crear un modelo basado en aprendizaje automático para predecir los resultados posoperatorios después de una gastrectomía, utilizando parámetros clínicos y patológicos fácilmente disponibles. El principal resultado de interés fue la recurrencia temprana dentro de los 2 años posteriores a la cirugía, lo que afecta significativamente el pronóstico general.

El estudio empleó varios algoritmos de aprendizaje automático para desarrollar modelos de predicción, que luego se compararon y validaron. El rendimiento del modelo se evaluó mediante medidas como el área bajo la curva característica operativa del receptor (AUC), la calibración y la puntuación de Brier. Se utilizó el método SHApley Additive exPlanations (SHAP) para interpretar el modelo y clasificar la importancia de las características.

Esta investigación tiene como objetivo proporcionar a los médicos una herramienta para identificar a los pacientes con mayor riesgo de malos resultados posoperatorios que pueden beneficiarse de un seguimiento posoperatorio más intensivo y estrategias de intervención temprana, lo que podría mejorar el pronóstico de los pacientes con cáncer gástrico.