Modelo predictivo de recidiva precoz de carcinoma hepatocelular postrasplante basado en inteligencia artificial (redes bayesianas)

Doctorando: Rafael Garcçia Domínguez
Dirigida por: Dra. Eva Montalvá Orón, el Dr. Antonio Serrano López y el Dr. Rafael López Andújar

Grupo de investigación en Hepatología, Cirugía Hepatobiliopancreática y Trasplantes

El trasplante hepático es, en términos oncológicos, el mejor tratamiento para la curación del carcinoma hepatocelular (CHC) en estadios iniciales en pacientes con cirrosis. Sin embargo, la recurrencia tumoral sigue siendo una importante causa de pérdida del injerto y muerte del receptor. En concreto, las recidivas que se producen precozmente (en los dos primeros años después del trasplante) suponen la situación menos favorable desde el punto de vista de la utilización de los órganos, en una situación de relativa escasez de donantes. Paralelamente, se ha generado una creciente evidencia acerca del hecho de que la información meramente morfológica puede ser insuficiente para predecir el comportamiento oncológico del CHC y, por tanto, el riesgo de recurrencia. En el campo de la transplant oncology, la respuesta del CHC al tratamiento locorregional pretrasplante y los marcadores biológicos (como la alfafetoproteína) son fundamentales para completar la información sobre la biología tumoral y orientar con mayor precisión el riesgo de recurrencia de los pacientes.

En este sentido los sistemas de inteligencia artificial y machine learning como las redes bayesianas pueden ayudar a modelizar una situación clínica de gran complejidad como es el comportamiento tumoral del CHC. Mediante el uso de este tipo de modelos predictivos, es posible identificar previamente al trasplante a aquellos pacientes con menor riesgo de recurrencia y seleccionar de forma adecuada a los candidatos para trasplante hepático, optimizando el uso de los injertos disponibles.

Este estudio se ha centrado en desarrollar un modelo predictivo basado en redes bayesianas para determinar la probabilidad de recidiva precoz postrasplante de carcinoma hepatocelular (dos primeros años después del procedimiento), utilizando exclusivamente variables preoperatorias del receptor, tumor y donante. Asimismo, se ha elaborado una propuesta para la aplicación en la práctica clínica del modelo diseñado, a través de una interfaz informática accesible. Para ello se analizó un conjunto de 32 variables disponibles previamente al trasplante y de fácil obtención en la práctica clínica habitual, sobre un conjunto de 385 pacientes (grupo de entrenamiento). Las variables que, en combinación, mostraron mayor capacidad predictiva sobre la recurrencia precoz del CHC se incluyeron en el modelo definitivo. Se evaluó el rendimiento del modelo en cuanto a capacidad predictiva mediante curvas ROC y el área bajo la curva (ABC). El modelo obtenido se validó con una serie de casos distintos trasplantados con posterioridad (grupo de generalización), comparando los resultados.

A partir de un conjunto de 5 variables del receptor y tumor conocidas previamente al TH, de fácil acceso y recopiladas en un grupo de entrenamiento de 385 pacientes, se ha generado un modelo predictivo de recurrencia precoz de carcinoma hepatocelular postrasplante basado en redes bayesianas. Este modelo permite predecir el riesgo de recurrencia del CHC en los dos primeros años después del TH con una adecuada capacidad predictiva (área bajo la curva de 0,817). Estos resultados han sido validados internamente con un grupo de generalización formado por 130 pacientes trasplantados con posterioridad en el mismo centro, obteniendo aún mejores resultados en cuanto a rendimiento (área bajo la curva = 0,889).

Dado que los resultados del modelo de redes bayesianas para predecir la recurrencia precoz postrasplante del CHC avalan su posible uso en la práctica clínica como ayuda a la toma de decisiones, se ha elaborado un protocolo de aplicación que se llevará a cabo de forma prospectiva, en la Unidad de Cirugía Hepatobiliopancreática y Trasplante del Hospital Universitari i Politècnic La Fe de Valencia, mediante una aplicación web de acceso abierto.

En conclusión, el modelo desarrollado mediante inteligencia artificial (redes bayesianas) es capaz de determinar, previamente al trasplante y de forma precisa el riesgo de recurrencia precoz postrasplante del carcinoma hepatocelular.

Import Outlook Calendar Import Google Calendar