Desarrollo y validación de modelos predictivos de toxicidad asociada al tratamiento de pacientes con cáncer de pulmón basados en técnicas de aprendizaje automático

Abstract

Antecedentes y objetivo: Las toxicidades inducidas por la radiación son eventos adversos frecuentes en los pacientes con cáncer de pulmón (CP) sometidos a radioterapia (RT). Una predicción precisa de estos efectos adversos podría facilitar un proceso de toma de decisiones informado y compartido entre el paciente y el oncólogo radioterapeuta, con una visión más clara de las implicaciones para el equilibrio vital en la elección del tratamiento. Este trabajo proporciona un benchmark para la aplicación de métodos de aprendizaje automático para predecir las toxicidades inducidas por la radiación en pacientes con CP construido sobre un conjunto de datos de salud del mundo real basado en una metodología generalizable para su implementación y validación externa. Materiales y métodos: Se combinaron diez métodos de selección de características con cinco clasificadores basados en técnicas de aprendizaje automático para predecir seis toxicidades inducidas por la RT (esofagitis aguda, tos aguda, disnea aguda, neumonitis aguda, disnea crónica, y neumonitis crónica). Se utilizó un conjunto de datos de salud del mundo real construido a partir de 875 pacientes consecutivos de CP para entrenar y validar los 300 modelos predictivos resultantes. Se calculó la precisión interna y externa en términos de AUC para cada toxicidad objetivo y agrupada por cada método de selección de características y por cada clasificador basado en técnicas de aprendizaje automático. Resultados: Los mejores modelos predictivos obtenidos para cada toxicidad objetivo alcanzaron rendimientos comparables a los métodos del estado del arte en la validación interna (AUC≥0,81 en todos los casos) y en la validación externa (AUC≥0,73 en 5 de 6 casos). Conclusiones: Siguiendo una metodología generalizable, se ha realizado un benchmark de 300 modelos diferentes basados en técnicas de aprendizaje automático haciendo uso de un conjunto de datos del mundo real, logrando resultados satisfactorios. Los resultados sugieren posibles relaciones entre factores clínicos poco reconocidos y la aparición de esofagitis aguda o disnea crónica, demostrando así el potencial que tienen los enfoques basados en técnicas de aprendizaje automático para generar nuevas hipótesis basadas en datos del mundo real.