Factores de riesgo y modelo predictivo de recidiva precoz tras la resección hepática de metástasis de cáncer colorrectal

Introducción La recaída precoz de la enfermedad neoplásica tras la resección de metástasis hepáticas de cáncer colorrectal está asociada a un peor pronóstico: menor supervivencia global y menor proporción de rescates quirúrgicos comparados con las recaídas tardías. Objetivos Determinar los factores de riesgo de recidiva precoz tras la resección quirúrgica de metástasis hepáticas de cáncer colorrectal y desarrollar un modelo predictivo con machine learning que permita conocer la probabilidad de recaída precoz de las metástasis tras la cirugía, usando variables clínicas que conocemos preoperatoriamente. Material y métodos Se estudiaron los pacientes intervenidos de metástasis hepáticas de cáncer colorrectal en la Unidad de Cirugía hepatobiliopancreática y Trasplante hepático del Hospital Universitario y Politécnico La Fe de Valencia, en el periodo de tiempo entre 2005 y 2018. Se incluyeron pacientes con recaída hepática, resecciones R1, resección combinada con ablación intraoperatoria y pacientes con enfermedad metastásica extrahepática. Se excluyeron pacientes con resecciones incompletas, las muertes posoperatorias y pacientes con menos de un año de seguimiento tras la cirugía. Se realizó un análisis univariante, y bivariante para establecer los factores de riesgo relacionados con la recidiva precoz. Se desarrolló un modelo predictivo con machine learning utilizando variables clínicas. Se comparó la capacidad predictiva con la regresión logística. Resultados Un total de 615 pacientes fueron estudiados. El porcentaje de recaída precoz (a los 12 meses de la cirugía hepática) fue del 38,2 % con una mediana de seguimiento de 33 meses (RIC 18-63 meses). Se identificaron 31 variables clínicas preoperatorias relacionadas con la recidiva precoz de manera significativa. Para la creación del modelo predictivo se dividieron los pacientes en grupo entrenamiento (80 %)y grupo test (20 %). Utilizando al análisis de componentes principales se establecieron cuatro grupos de pacientes con similares características clínicas y se creó un modelo predictivo diferente para cada uno de ellos, utilizando los algoritmos random forest, support vector machine y näive Bayes. El modelo predictivo final consta de 38 variables, tiene un AUC de 0,78 (IC 95 %: 0,75-0,81) y una exactitud del 73 %. Se creó un formulario web para la aplicación clínica, en el que tras introducir los valores de cada variable se obtiene la probabilidad de recaída, expresada en porcentaje, al año de la cirugía. Comparado con la regresión logística, el modelo creado tiene mayor capacidad de generalización. Conclusiones El modelo desarrollado con inteligencia artificial permite identificar los pacientes de alto riesgo de recidiva precoz tras la resección hepática de metástasis de cáncer colorrectal con una buena capacidad predictiva. Comparado con la regresión logística, el modelo creado tiene mejor capacidad de generalización.