Predicción y Evaluación Efectiva de la Supervivencia en Pacientes con Cáncer

Resumen Contexto: Dado que el cáncer es la principal causa de muerte en el mundo, un desafío constante es predecir con precisión la progresión del cáncer en un individuo, para facilitar la planificación del tratamiento personalizado. Al implementar modelos de predicción de supervivencia individuales, surge una pregunta fundamental: ¿Estamos esforzándonos por comparar las duraciones de supervivencia entre pacientes (por ejemplo, ‘¿Quién sobrevive más tiempo, el paciente A o el B?’) o estamos tratando de estimar el tiempo de supervivencia de un paciente específico (por ejemplo, ‘¿Cuánto tiempo sobrevivirá el paciente A?’), entre otros escenarios. Este artículo aborda esta pregunta fundamental y realiza una evaluación exhaustiva de dichos modelos predictivos. Materiales y métodos: Consideramos 9 tumores sólidos comunes (cerebro, mama, riñón, hígado, pulmón, estómago, próstata, tiroides y vejiga urinaria) utilizando datos del programa de Vigilancia, Epidemiología y Resultados Finales. Empleamos tanto modelos de aprendizaje automático convencionales como avanzados que predicen distribuciones de supervivencia individualizadas. Consideramos varios posibles objetivos de un modelo de predicción de supervivencia y conectamos cada objetivo a una métrica de evaluación específica. Proponemos versiones modificadas del error absoluto medio adaptadas para abordar una consulta sobre la duración esperada de supervivencia de un paciente. Resultados: Nuestra investigación implicó entrenar varios modelos en varios tipos de cáncer y evaluar rigurosamente esos modelos utilizando las métricas propuestas. Demostramos que un modelo puede ser efectivo para un objetivo pero ineficaz para otro, y mostramos que podemos determinar esto en función de la medida utilizada. Nuestros hallazgos subrayan la importancia de seleccionar una medida de evaluación adecuada que esté alineada con el objetivo principal de un estudio. Conclusión: Este trabajo destaca la necesidad de métricas de evaluación que sean relevantes para los objetivos de investigación e identifica qué objetivo conduce a qué métrica de evaluación. Esta investigación establece un camino para futuras investigaciones que busquen refinar aún más los modelos predictivos para la pronosticación oncológica. Palabras clave: análisis de supervivencia, estudio de cáncer, aprendizaje automático, evaluación efectiva.