| Tesis Doctorales de la Universidad de Alcalá |
| DESARROLLO DE MODELOS DE SUPERVIVENCIA BASADO EN APRENDIZAJE AUTOMÁTICO PARA LA PREDICCIÓN DE RESULTADOS ONCOLÓGICOS EN EL CARCINOMA DE VEJIGA T1 DE ALTO GRADO. | | Autor/a | Mínguez Ojeda, César | | Departamento | Biología de Sistemas | | Director/a | Burgos Revilla, Francisco Javier | | Codirector/a | Subiela Henríquez, José Daniel | | Fecha de depósito | 16-09-2026 | | Periodo de exposición pública | 16 a 30 de septiembre de 2026 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Ciencias de la Salud (RD 99/2011) | | Mención internacional | No | | Resumen | INTRODUCCIÓN
El tumor vesical no músculo invasor T1 de alto grado (TVNMI T1AG) presenta una elevada heterogeneidad biológica y un riesgo significativo de progresión a enfermedad músculo invasora (TVMI). A pesar del tratamiento mediante resección transuretral (RTU) e inmunoterapia intravesical con Bacilo de Calmette-Guérin (BCG), una proporción relevante de pacientes progresa. Los modelos clásicos de estratificación, incluido el modelo de la Asociación Europea de Urología (EAU) 2021, presentan una capacidad predictiva limitada en pacientes tratados con BCG. El aprendizaje automático (ML) podría mejorar la estimación individualizada del riesgo y facilitar la toma de decisiones clínicas.
HIPÓTESIS Y OBJETIVO
Se planteó que un modelo basado en ML permitiría estimar con mayor precisión que el modelo EAU 2021 el riesgo de progresión a TVMI. El objetivo fue desarrollar y validar un modelo predictivo de progresión en pacientes con TVNMI T1AG tratados con BCG y comparar su rendimiento con EAU 2021.
MATERIAL Y MÉTODOS
Estudio multicéntrico retrospectivo de 1.403 pacientes con TVNMI T1AG tratados con BCG en 24 centros europeos entre 2007 y 2020. Todos fueron sometidos a RTU completa, re-RTU y tratamiento adecuado con BCG. El desenlace principal fue la progresión a TVMI o enfermedad metastásica a 60 meses.
Se desarrolló un modelo de bosques aleatorios de supervivencia denominado RSF-NMIBC T1HG. La cohorte se dividió en entrenamiento (75%) y prueba independiente (25%). Se incluyeron edad, número y tamaño tumoral, carcinoma in situ (CIS) concomitante y estadio en la re-RTU. Su rendimiento se evaluó mediante discriminación, calibración y utilidad clínica, y se comparó con EAU 2021. Se analizó además la heterogeneidad pronóstica dentro de los grupos EAU y la contribución de cada variable mediante valores de Shapley.
RESULTADOS
La mediana de edad fue de 69 años y el seguimiento mediano de 45 meses, registrándose 246 progresiones. RSF-NMIBC T1HG mostró mayor discriminación que EAU 2021 (índice C: 0,83 vs. 0,65; p<0,001) y mejor calibración (Brier: 0,10 vs. 0,14; p<0,01), manteniendo su superioridad a lo largo del tiempo.
El modelo proporcionó mayor beneficio neto en los umbrales clínicos evaluados (5%, 10% y 20%). Con un umbral del 20%, identificó el 79% de las progresiones frente al 56% de EAU 2021, con mayor especificidad y menor número de tratamientos innecesarios. El estadio en la re-RTU, especialmente la persistencia de T1, fue el principal predictor, seguido de la edad y el CIS.
RSF-NMIBC T1HG identificó además una marcada heterogeneidad dentro de los grupos EAU 2021. En el grupo de muy alto riesgo, reclasificó a los pacientes según su riesgo individual de progresión a cinco años en ≤20%, 20–40% y ≥40%, con tasas de progresión del 2,1%, 25,4% y 80,4%, respectivamente.
CONCLUSIONES
RSF-NMIBC T1HG permite estimar individualmente el riesgo de progresión del TVNMI T1AG tratado con BCG y supera a EAU 2021 en discriminación, calibración y utilidad clínica. Además, identifica una importante heterogeneidad pronóstica, especialmente entre los pacientes clasificados como de muy alto riesgo, pudiendo mejorar la selección de aquellos candidatos a cistectomía radical precoz. Estos resultados apoyan el potencial del ML para avanzar hacia una estratificación personalizada del TVNMI de alto riesgo, aunque es necesaria su validación externa antes de incorporarlo a la práctica clínica. |
|
