Predicción basada en aprendizaje automático de la recurrencia a corto plazo de poliposis adenomatosas del colon y recto después de EMR: estudio de desarrollo y validación del modelo.

Este estudio tiene como objetivo desarrollar y validar un modelo para predecir la recurrencia a 1 año de pólipos adenomatosos después de una resección endoscópica mucosa (REM), y explorar los factores de riesgo asociados. Los pacientes que se sometieron por primera vez a una REM por pólipos colorrectales en el Hospital Afiliado de la Universidad Médica de Xuzhou desde septiembre de 2018 hasta septiembre de 2023 fueron reclutados retrospectivamente. El conjunto de datos se dividió aleatoriamente en conjuntos de entrenamiento y prueba en una proporción de 7:3. Se utilizaron datos adicionales del mismo centro de octubre de 2023 a abril de 2025 como conjunto de validación interna, mientras que un conjunto de validación externo se obtuvo del Hospital Central de Xuzhou.

Las variables de características fueron seleccionadas mediante regresión LASSO (Least Absolute Shrinkage and Selection Operator). Se utilizaron cinco algoritmos de aprendizaje automático (ML), incluyendo regresión logística (RL), bosque aleatorio (RF), máquina de vectores soporte (SVM), máquina de gradiente boosting (GBM) y eXtreme gradient boosting (XGBoost), para construir modelos predictivos. El rendimiento del modelo se examinó mediante curvas ROC, curvas de calibración y análisis de curva de decisión (DCA). La importancia de las características se interpretó a través de SHapley Additive exPlanations (SHAP).

Según la regresión LASSO, se identificaron 10 variables predictivas. El rendimiento del modelo GBM fue el más alto, con una área bajo la curva (AUC) de 0,824 (IC del 95 %: 0,764-0,884) en el conjunto de prueba, 0,793 (IC del 95 %: 0,718-0,868) en el conjunto de validación interna y 0,800 (IC del 95 %: 0,725-0,875) en el conjunto de validación externo. Las curvas de calibración indicaron un acuerdo cercano entre los resultados predichos y observados. El análisis de la curva de decisión demostró una satisfactoria ventaja neta a lo largo de una amplia gama de probabilidades umbral.

El modelo basado en ML desarrollado en este estudio predice con precisión la recurrencia a corto plazo de pólipos adenomatosos después de la REM y puede ayudar a los clínicos a personalizar estrategias de seguimiento.