El Uso de la Inteligencia Artificial para la Predicción de Recurrencia Tras la Resección de Metástasis Hepáticas Colorrectales (AI-RECOLMET)

El cáncer colorrectal (CCR) es el tercer cáncer más común en todo el mundo y la cuarta causa más frecuente de muertes relacionadas con el cáncer. La supervivencia está determinada principalmente por el estadio de la enfermedad y la presencia de metástasis. La supervivencia a cinco años entre los pacientes con CCR metastásico es del 12-19% frente al 90% en pacientes con enfermedad localizada, produciéndose metástasis hepáticas de cáncer colorrectal (MHCCR) en el 30-50% de los pacientes con CCR y siendo responsables de dos tercios de las muertes relacionadas con el CCR. Los avances recientes en el tratamiento de las MHCCR han aumentado la supervivencia global (SG) de los pacientes de 6 meses a tasas de supervivencia a 5 años del 25-40%. La combinación de quimioterapia y resección hepática sigue siendo la opción terapéutica con mayor beneficio de supervivencia para los pacientes con MHCCR. Aunque la cirugía sigue representando el único tratamiento curativo potencial reconocido, por otro lado, la quimioterapia moderna, también gracias a la introducción de fármacos biológicos, ha conducido a una mejor respuesta y tasas de supervivencia para los pacientes con metástasis hepáticas, contribuyendo además a aumentar la tasa de resecabilidad (es decir, el número de pacientes que se hacen operables gracias a la citoreducción tras el tratamiento médico).

Hasta el 30% de los pacientes pueden curarse si las metástasis en el hígado pueden extirparse completamente (el término médico para esto es "resección"). Para que se considere la cirugía, una enfermedad oncológica debe ser radicalmente resecable desde el punto de vista técnico. Al mismo tiempo, debe quedar una cantidad adecuada de hígado normal tras la resección para mantener la vida. Las terapias locorregionales, incluida la ablación térmica, la quimioembolización y la radiación, también se utilizan para manejar a los pacientes con MHCCR como alternativas al tratamiento curativo convencional. En particular, el tratamiento locorregional de las MHCCR puede beneficiarse de la ablación térmica, ya sea basada en radiofrecuencia o en microondas. De hecho, aunque la resección sigue siendo el tratamiento locorregional de elección para las metástasis hepáticas resecables, la ablación puede ofrecer beneficios similares en pacientes seleccionados, ayudando a preservar el parénquima hepático sano.

A pesar de estas mejoras significativas en el pronóstico, una gran proporción de pacientes (casi la mitad) experimentará de todos modos recurrencia tras la combinación de tratamientos locorregionales. Con la mejora de las terapias no quirúrgicas, los pacientes que recaen podrían someterse a un tratamiento no quirúrgico en lugar de la resección. Por lo tanto, es de suma importancia definir de la mejor manera posible la estrategia de tratamiento para los pacientes basándose en una estimación precisa del pronóstico tras el tratamiento, equilibrando el riesgo perioperatorio de morbilidad/mortalidad con el riesgo de recurrencia. Identificar de antemano a estos pacientes con recaída sería crucial para evitar cirugías inútiles o para asignarlos a tratamientos farmacológicos adyuvantes (es decir, postoperatorios).

La mayoría de los pacientes con MHCCR se someten a programas de quimioterapia preoperatoria con una probabilidad de respuesta de alrededor del 60% de los casos. Los costes sanitarios y biológicos de los programas de quimioterapia son significativos. Además, actualmente existen varios regímenes de quimioterapia, pero faltan datos indicativos de qué régimen es efectivo en qué paciente. Identificar de antemano a estos pacientes respondedores sería extremadamente determinante para evitar tratamientos de quimioterapia inútiles sin beneficio clínico y para guiar la elección de asignarlos o no a tratamientos farmacológicos neoadyuvantes (es decir, tratamientos preoperatorios) y la selección del régimen adyuvante. A su vez, es importante distinguir tempranamente a los respondedores de los no respondedores para seleccionar el enfoque terapéutico más apropiado.

Las características clínicas de los pacientes y de la enfermedad, además de las imágenes radiológicas, han demostrado ser herramientas indispensables que ayudan a evaluar la extensión de la enfermedad, valorar la respuesta al tratamiento e identificar toxicidades medicamentosas y recurrencias. Algunos estudios sugieren que los análisis de características de textura pueden detectar cuantitativamente metástasis hepáticas antes de que sean visualmente detectables por el radiólogo. Sin embargo, el valor de estos factores convencionales por sí solos para predecir el pronóstico de las MHCCR es limitado. En los últimos años se han desarrollado sistemas de puntuación pronóstica multifactorial como predictores potenciales de recurrencia tras la resección hepática, pero estos todavía presentan limitaciones en aplicabilidad, sensibilidad y especificidad. Se necesitan urgentemente nuevos indicadores pronósticos precisos en pacientes con MHCCR. Específicamente, existe una necesidad clínica de identificar a priori a pacientes que tienen diferentes probabilidades de desarrollar recurrencia de la enfermedad tras el tratamiento locorregional (resección hepática con o sin ablación térmica) y diferente respuesta al tratamiento de quimioterapia, con el fin de refinar una asignación basada en el riesgo a los tratamientos y a los recursos. Como se sabe, la Inteligencia Artificial (IA) es una rama de la informática que pretende simular la inteligencia y los comportamientos humanos para asistir a los humanos en tareas específicas. La digitalización generalizada de la atención sanitaria genera una gran cantidad de datos y, junto con la computación de alto rendimiento accesible, las tecnologías de IA pueden aplicarse para superar las limitaciones actuales en la estimación de la recurrencia y la respuesta de las MHCCR tras tratamientos locorregionales y quimioterapéuticos, alcanzando así una asignación más precisa a los tratamientos en comparación con la práctica actual.

La tomografía computarizada (TC) es la imagen de elección para la estadificación y el seguimiento en la mayoría de los pacientes con MHCCR. Sin embargo, muchos factores podrían influir en la recurrencia y la SG. Por ejemplo, hasta el 25% de las lesiones pueden pasar desapercibidas. Un metaanálisis informó que la TC con contraste tenía una sensibilidad y especificidad del 82% y 84%, respectivamente, para detectar lesiones hepáticas. Sin embargo, para lesiones menores de 1 cm, la sensibilidad desciende al 31-38%. La resonancia magnética (RM) es la modalidad más precisa para detectar MHCCR; sin embargo, típicamente se utiliza como una herramienta secundaria en la práctica. La RM tiene la ventaja de poder detectar y caracterizar lesiones incluso menores de 10 mm, así como no presentar riesgo de radiación. Los agentes de contraste específicos para hepatocitos tienen una sensibilidad del 95% para detectar metástasis hepáticas.

A pesar de su valor, la evaluación visual por TC y RM no logra evaluar cambios microestructurales como cambios de perfusión intralesional o cambios necróticos que podrían ser indicadores tempranos de un alto riesgo de progresión tumoral local. Además, una mala calidad de imagen podría llevar a la incapacidad de reconocer todas las metástasis. Por lo tanto, el interés en el uso de herramientas basadas en IA para optimizar la calidad de imagen y el uso de imágenes cuantitativas ha ido creciendo con el uso del análisis de textura o la radiómica. La radiómica consiste en extraer una gran cantidad de características cuantitativas de imágenes médicas en combinación con modelos de aprendizaje automático (AA) para predecir resultados clínicos. Recientemente, la radiómica se ha estudiado como un indicador pronóstico/predictivo para resultados clínicos en diferentes tipos de tumores y análisis de supervivencia con resultados prometedores en CLRM tratados con ablación por microondas. Sin embargo, hay poca evidencia disponible para el hígado y para las MHCCR y algunos estudios sugieren que los análisis de características de textura pueden ayudar cuantitativamente al radiólogo a modificar los enfoques clínicos.

Todas las características radiómicas también pueden ayudar en el entrenamiento de redes neuronales destinadas a detectar metástasis hepáticas antes de que sean visualmente detectables por el radiólogo.

Por lo tanto, este estudio pretende evaluar si un modelo de AA multifactorial (que incluya datos clínicos y radiómicos) puede identificar a pacientes con MHCCR con alto riesgo de progresión tras quimioterapia y recurrencia tras resección hepática. La fase de modelado tendrá lugar en S-RACE de D34Health, basado en Azure Machine Learning en Azure Cloud, proporcionando herramientas y métodos útiles requeridos para modelar el problema, como instancias de computación y herramientas de modelado, como Jupyter Notebooks, junto con las herramientas de colaboración y privacidad integradas.

Además, el valor añadido de los datos clínicos podría utilizarse para construir modelos clínicos y combinados para una mejor predicción de resultados.

El estudio se configura como un estudio observacional, retrospectivo, monocéntrico. Se seleccionarán sujetos afectados por MHCCR y operados de resección hepática en nuestro entorno hospitalario según criterios de elegibilidad.