Investigadores presentaron un modelo de IA en la Reunión Anual de ASTRO que predice con precisión la recurrencia bioquímica en pacientes con cáncer de próstata después de la terapia de radiación. La herramienta utiliza resonancias magnéticas pre-tratamiento y datos clínicos para superar los modelos de riesgo tradicionales. Este avance podría ayudar a personalizar los tratamientos de manera más efectiva.
En la Reunión Anual de la American Society for Radiation Oncology (ASTRO), celebrada en Washington, D.C., del 20 al 23 de octubre de 2024, un equipo del UT Southwestern Medical Center presentó hallazgos sobre un nuevo modelo predictivo basado en IA para los resultados del cáncer de próstata.
El estudio, liderado por David P. Hormuth II, PhD, profesor asistente de oncología radioterápica, se centró en la recurrencia bioquímica (BCR), definida como un aumento en los niveles de antígeno prostático específico (PSA) después del tratamiento, lo que indica un posible retorno del cáncer. El modelo se desarrolló utilizando datos de más de 1.000 pacientes tratados con terapia de radiación entre 2003 y 2017 en UT Southwestern.
Clave para la herramienta de IA es su integración de características cuantitativas de imagen de resonancias magnéticas pre-tratamiento, combinadas con variables clínicas estándar como la edad, el puntaje de Gleason y los niveles de PSA. Entrenado en este conjunto de datos, el modelo alcanzó un área bajo la curva (AUC) de 0.87 para predecir el riesgo de BCR a dos años, superando el rendimiento de nomogramas establecidos como el modelo del Memorial Sloan Kettering Cancer Center (MSKCC), que obtuvo 0.75 AUC.
"Este enfoque de IA nos permite extraer información matizada de las imágenes que no se captura con métodos tradicionales", declaró Hormuth durante la presentación. La validación de la herramienta en una cohorte independiente de 200 pacientes confirmó su robustez, con una precisión predictiva similar.
El contexto de fondo resalta el desafío en la gestión del cáncer de próstata: aunque la terapia de radiación es efectiva, hasta el 30% de los pacientes experimentan BCR dentro de cinco años, lo que a menudo lleva a terapias adicionales. La estratificación de riesgo actual se basa en factores clinicopatológicos, pero la IA basada en imágenes podría refinar esto al identificar características sutiles del tumor.
Las implicaciones incluyen el potencial para planes de tratamiento personalizados, como intensificar la terapia para pacientes de alto riesgo o reducirla para aquellos de bajo riesgo, con el objetivo final de reducir el sobretratamiento. Los investigadores señalaron la aplicabilidad del modelo a imágenes de atención estándar, lo que lo hace factible para una adopción clínica más amplia. Sin embargo, enfatizaron la necesidad de estudios más grandes e multiinstitucionales para validar la generalización.
No surgieron contradicciones mayores en la reporting, ya que los detalles de la presentación se alinean con la metodología del estudio publicada en el resumen.