Método de IA predice tasa de supervivencia de pacientes con cáncer de próstata

Con más de 3,3 millones de hombres diagnosticados con cáncer de próstata en Estados Unidos y uno de cada 44 falleciendo a causa de esta enfermedad, la predicción temprana y precisa de la supervivencia es vital. Sin embargo, predecir con precisión la supervivencia general de los pacientes con ACP ha sido durante mucho tiempo un desafío clínico debido a la naturaleza compleja y variada de la enfermedad. Si bien el diagnóstico temprano mejora los resultados del tratamiento, los diversos patrones de progresión de este cáncer dificultan un pronóstico preciso. Ahora, científicos han desarrollado un método basado en aprendizaje automático que utiliza modelos de conjunto para ofrecer estimaciones de supervivencia casi perfectas para pacientes con ACP.

En un estudio dirigido por la Universidad de Sharjah (Sharjah, EAU) y la Universidad del Cercano Oriente (Estambul, Turquía), los investigadores aplicaron y evaluaron ocho métodos de aprendizaje automático por conjuntos para predecir los resultados de supervivencia general en pacientes con adenocarcinoma de próstata, utilizando datos clínicos y genómicos de The Cancer Genome Atlas (TCGA) PanCancer Atlas. Los modelos evaluados en el estudio incluyen Random Forest (RF), AdaBoost, Gradient Boosting (GB), Extreme Gradient Boosting (XGB), LightGBM (LGBM), CatBoost, Hard Voting Classifier (HVC) y Support Vector Classifier (SVC). Estas técnicas de conjunto combinan el poder predictivo de múltiples algoritmos para mejorar el rendimiento del modelo. Mediante el uso de indicadores de rendimiento esenciales como la exactitud, la precisión, la recuperación, la puntuación F1 y la puntuación ROC AUC, los investigadores determinaron qué tan bien cada método predijo la supervivencia del paciente.

Los hallazgos, publicados en la revista Computers in Biology and Medicine, revelan que entre los ocho modelos probados, GB emergió como el de mejor desempeño, logrando una puntuación perfecta de 1,0 en exactitud, precisión, recuperación y puntuación F1, y 0,99 para ROC AUC. Otros modelos de alto rendimiento incluyeron RF y AdaBoost, que también demostraron una fuerte capacidad predictiva y robustez para distinguir entre resultados de supervivencia positivos y negativos. La capacidad de estos modelos para identificar con precisión a los pacientes de alto y bajo riesgo podría ofrecer un apoyo crítico para la toma de decisiones clínicas y la atención individualizada al paciente. El uso de estos modelos impulsados por IA podría mejorar en gran medida la comprensión clínica del ACP y superar las barreras existentes al ofrecer información pronóstica personalizada, lo que podría conducir a mejores resultados y estrategias de tratamiento optimizadas.

“El excelente rendimiento de GB sugiere que se trata de un modelo de conjunto con gran capacidad para predecir el adenocarcinoma de próstata (ACP), ya que identifica todos los casos positivos verdaderos y minimiza los negativos, además de integrarse clínicamente”, escribieron los autores del estudio. “El rendimiento de RF demostró su capacidad para distinguir entre casos positivos y negativos de ACP, lo que destaca su alta precisión, especialmente al predecir la presencia de ACP”.