What question did this study set out to answer?

April 4, 2026Open Access

Aprendizaje automático explicable para predecir la pérdida muscular durante la radioterapia en cáncer de cavidad oral

Puntos clave

Esta investigación tiene como objetivo crear un modelo de aprendizaje automático explicable para predecir la pérdida muscular durante la radioterapia en pacientes con cáncer de cavidad oral.
Se incluyeron 1,024 pacientes con cáncer de cavidad oral que fueron sometidos a cirugía y radioterapia adyuvante.
Se midió la masa muscular mediante tomografía computarizada antes y después de la radioterapia, definiendo la pérdida muscular como una disminución del 4.2%.
Se utilizaron modelos Random Forest, XGBoost y CatBoost entrenados con datos clínicos y dosimétricos para predecir la pérdida muscular.
Se evaluó el rendimiento del modelo con el área bajo la curva (AUC) y se analizaron los predictores de pérdida muscular usando SHapley Additive exPlanations.
La pérdida muscular se observó en el 26.1% de los pacientes en la cohorte de derivación y en el 25.3% en la cohorte de validación externa.
El modelo Random Forest logró el AUC más alto de 0.913 en la cohorte de validación, superando a XGBoost y CatBoost.
Los predictores clave para la pérdida muscular incluyeron puntuaciones de evaluación nutricional, dosis de radiación a estructuras de deglución y quimioterapia.

Resumen

Antecedentes y propósito: La pérdida muscular durante la radioterapia adyuvante se asocia con resultados de supervivencia desfavorables en pacientes con cáncer de cavidad oral (CCO). Este estudio tuvo como objetivo desarrollar y validar un modelo de aprendizaje automático explicable para predecir la pérdida muscular. Materiales y métodos: Este estudio incluyó a 1,024 pacientes con CCO (cohorte de derivación, 636 pacientes; cohorte de validación externa, 388 pacientes) que fueron sometidos a cirugía y radioterapia adyuvante entre 2010 y 2021. La masa muscular se midió mediante tomografía computarizada a nivel de la vértebra C3 antes y después de la radioterapia, definiéndose "pérdida muscular" como una disminución del 4.2%. Se entrenaron modelos de Random Forest (RF), eXtreme Gradient Boosting (XGBoost) y Categorical Boosting (CatBoost) utilizando datos clínicos y dosimétricos para predecir pérdida muscular. El rendimiento del modelo se evaluó mediante el área bajo la curva (AUC). Se aplicó el método SHapley Additive exPlanations para la interpretación. Resultados: La pérdida muscular ocurrió en 166 (26.1%) y 98 (25.3%) pacientes en las cohortes de derivación y de validación externa, respectivamente. El modelo RF superó a XGBoost y CatBoost en la cohorte de validación externa (AUC: 0.913, 0.892 y 0.904, respectivamente). Los principales predictores incluyeron las puntuaciones del Mini-Assessment Nutricional pre-radioterapia, las dosis medias de radiación al músculo constrictor faríngeo superior/medio y la laringe supraglótica, y la quimioterapia. Se observó una relación dosis-toxicidad no lineal entre la dosis media a las estructuras de la deglución y la pérdida muscular. El modelo proporcionó interpretaciones a nivel del paciente, identificando contribuyentes específicos para casos individuales. Conclusiones: Un modelo explicable podría predecir la pérdida muscular e identificar factores de riesgo específicos. Este enfoque puede permitir a los clínicos personalizar intervenciones y planificación de radioterapia para mitigar la pérdida muscular.

Me gusta

Guardar

Ver artículo completo