Desarrollo de un modelo de predicción de riesgo para dermatitis por radiación tras radioterapia con protones en cáncer de cabeza y cuello utilizando aprendizaje automático en conjunto

Resumen Objetivo Este estudio tiene como objetivo desarrollar un modelo de predicción de riesgo basado en aprendizaje automático en conjunto (basado en EML) para la dermatitis por radiación (RD) en pacientes con cáncer de cabeza y cuello que se someten a radioterapia con protones, con el objetivo de lograr un rendimiento predictivo superior en comparación con los modelos tradicionales. Materiales y métodos Se analizaron datos de 57 pacientes con cáncer de cabeza y cuello tratados con terapia de protones modulada por intensidad en el Hospital Memorial Chang Gung de Kaohsiung. El estudio incorporó 11 parámetros clínicos y 9 dosimétricos. Se utilizó la correlación de Pearson para eliminar variables altamente correlacionadas, seguida de la selección de características a través de LASSO para centrarse en los posibles predictores de RD. El entrenamiento del modelo involucró regresión logística tradicional (LR) y métodos de conjunto avanzados como Random Forest y XGBoost, que fueron optimizados mediante ajuste de hiperparámetros. Resultados La selección de características identificó seis predictores clave, incluyendo historia de tabaquismo y parámetros dosimétricos específicos. Los modelos de aprendizaje automático en conjunto, particularmente XGBoost, demostraron un rendimiento superior, alcanzando el AUC más alto de 0.890. La importancia de las características se evaluó utilizando valores SHAP (SHapley Additive exPlanations), que subrayaron la relevancia de varios factores clínicos y dosimétricos en la predicción de RD. Conclusión El estudio confirma que los métodos de EML, especialmente XGBoost con su algoritmo de refuerzo, proporcionan una precisión predictiva superior, una mejor selección de características y un manejo de datos mejorado en comparación con la LR tradicional. Mientras que la LR ofrece una mayor interpretabilidad, la precisión y la mayor aplicabilidad de EML lo hacen más adecuado para tareas de predicción médica complejas, como la predicción de dermatitis por radiación. Dadas estas ventajas, se recomienda encarecidamente EML para futuras investigaciones y aplicaciones en entornos clínicos.