| Tesis Doctorales de la Universidad de Alcalá |
| PREDICCIÓN DE AFECTACIÓN LINFÁTICA TRAS UNA HEMICOLECTOMÍA DERECHA POR CÁNCER DE COLON UTILIZANDO UN MODELO DE APRENDIZAJE MÁQUINA BASADO EN DATOS CLÍNICO-RADIÓMICOS. | | Autor/a | Abadia Barno, Pedro | | Departamento | Cirugía Ciencias Médicas y Sociales | | Director/a | García Pérez, Juan Carlos | | Codirector/a | Juez Sáez, Luz Divina | | Fecha de depósito | 10-02-2026 | | Periodo de exposición pública | 10 a 24 de febrero de 2026 | | Fecha de defensa | 28-04-2026 - Aula Joaquin Ortuño del Hospital Universitario Ramon y Cajal. a las 12:30 horas | | Modalidad | Presencial | | Programa | Ciencias de la Salud (RD 99/2011) | | Mención internacional | No | | Resumen | INTRODUCCIÓN
Desarrollar y validar un modelo de radiómica basado en TC preoperatorio para predecir metástasis ganglionares en pacientes con cáncer de colon derecho (CCD) sin enfermedad metastásica.
MATERIAL Y MÉTODOS
Se trata de una cohorte retrospectiva de pacientes intervenidos por CCD entre 2013 y 2017 en el Hospital Universitario Ramón y Cajal. Se excluyeron casos con tumores sincrónicos y metastásicos, cirugía urgente, linfadenectomía incompleta (menos de 12 ganglios), seguimiento menor de 5 años o fallos técnicos en la imagen.
A partir de la TC prequirúrgica en fase venosa portal se extrajeron 1.686 características radiómicas del tumor y de las adenopatías. Se desarolló un modelo de radiómica empleando validación cruzada, utilizando los siguientes algoritmos: Random Forest, Regresión Logística, Naïve-Bayes, Proceso Gaussiano, Máquinas de vectores, K-Nearest, Neighbors, Gradient-Boosting y redes nauronales. Posteriormente, se combinaron los
modelos y se seleccionó la mejor configuración basada en el rendimiento de F1 Score.
RESULTADOS
Se incluyeron 136 pacientes (edad media: 76 años; 95,7% ASA II-III). La estadificación más frecuente fue pT3 (66,9%), con afectación ganglionar (pN+) en el 41,5%. Se evaluaron seis modelos de ensamblaje de radiómica basados en la clasificación pT. El modelo con mejor desempeño fue la combinación de Random Forest + Gradient Boosting + support vector machine, logrando una alta capacidad discriminatoria en la segmentación tumoral (AUC-ROC 0,96 ± 0,05; sensibilidad 89%; especificidad 91%; precisión 87%; F1-Score 89%).
CONCLUSIÓN
El modelo radiómico basado en la segmentación tumoral en el TC preoperatorio permite una predicción precisa del estado ganglionar en el CCD. Identificar de forma tan certera la diseminación linfática preoperatoria ayudará a diseñar, de forma individualizada, la estrategia onco-quirúrgica más beneficiosa y adecuada para los pacientes. |
|
