Real-World Data for Predicting Rapid Relapse Triple Negative Cancer: A Study Using NCDB and EHR Data

Resumen Técnico: Datos del Mundo Real para la Predicción de Recaída Rápida en Cáncer Triple Negativo

Planteamiento del Problema
El cáncer de mama triple negativo (CMTN) es un subtipo agresivo que representa entre el 10 y el 15 % de los cánceres de mama, pero aproximadamente el 40 % de las muertes relacionadas con el cáncer de mama. Un subgrupo específico de pacientes, denominado CMTN de recaída rápida (rrTNBC, por sus siglas en inglés), experimenta una recurrencia o muerte relacionada con el cáncer dentro de los 24 meses posteriores al diagnóstico. Estos pacientes son desproporcionadamente mayores, afrodescendientes o están asegurados por programas públicos (por ejemplo, Medicaid), y con frecuencia no reciben el tratamiento conforme a las guías (cirugía y quimioterapia), lo cual se sabe que reduce el riesgo de recaída rápida de 3 a 4 veces. Aunque el aprendizaje automático (ML) se ha aplicado a la mortalidad por cáncer de mama y a la clasificación de subtipos, pocos estudios se han centrado en la predicción de la recaída rápida utilizando datos del mundo real (RWD) que incluyan factores sociodemográficos y de nivel comunitario. Los modelos existentes suelen depender de biomarcadores complejos o demuestran solo una capacidad predictiva modesta (AUC ~0.77). El objetivo de este estudio fue desarrollar un Modelo Predictivo de Recaída Rápida (rrPM) capaz de identificar a pacientes de alto riesgo de manera temprana para facilitar intervenciones oportunas.

Metodología
El estudio empleó un enfoque de dos etapas utilizando datos de la Base de Datos Nacional del Cáncer (NCDB) y del Registro de Cáncer de la Universidad Estatal de Ohio (OSU).

• Fuentes de Datos:

  • Entrenamiento/Validación: 47,048 pacientes con CMTN de la NCDB (2010–2019) con estadio AJCC IB–IIIC y al menos 24 meses de seguimiento.
  • Prueba Externa: 281 pacientes con CMTN del Registro de Cáncer de la OSU (2012–2020) con criterios de inclusión similares.
  • Definición de Resultado: La recaída rápida (rrTNBC) se definió como la mortalidad por todas las causas dentro de los 24 meses posteriores al diagnóstico.
  • Características: El modelo utilizó un conjunto parsimonioso de datos estructurados disponibles al momento del diagnóstico, incluyendo sociodemografía (edad, raza, seguro, estado civil), necesidades de la comunidad (educación e ingresos a nivel de sector censal) y características clínicas (estadio AJCC, grado tumoral, Índice de Comorbilidad de Charlson).

• Desarrollo del Modelo:

  • Algoritmos: Se entrenaron seis modelos de ML: Regresión Logística, Árbol de Decisión, Bosque Aleatorio (Random Forest), Naïve Bayes, Máquina de Vectores de Soporte (SVM) y XGBoost.
  • Manejo de Desequilibrio: Dada la prevalencia de la clase minoritaria (~14.5 % en NCDB), el estudio empleó la Técnica de Sobremuestreo de la Clase Minoritaria Sintética combinada con Enlaces de Tomek (SMOTE-Tomek) y ponderación algorítmica de clases.
  • Estrategia de Ensamble: Se construyó un ensamble apilado (stacked ensemble) utilizando Regresión Logística, Árbol de Decisión y Bosque Aleatorio como aprendices base, con la Regresión Logística actuando como meta-aprendiz.
  • Aprendizaje por Transferencia y Optimización: El modelo de ensamble entrenado con datos de la NCDB fue adaptado a los datos de la OSU. Esto implicó aplicar el modelo preentrenado a los datos locales, seguido de aprendizaje por transferencia (ajuste fino) y optimización de umbrales. El umbral de clasificación se ajustó para maximizar la puntuación F1 manteniendo un alto Valor Predictivo Positivo (PPV) y sensibilidad, abordando la prevalencia y distribución específica de los datos clínicos locales.

• Métricas de Evaluación: El rendimiento se evaluó mediante Sensibilidad, Especificidad, PPV, Valor Predictivo Negativo (NPV), Exactitud, puntuación F1 y ROC AUC.

Resultos Clave

• Rendimiento Base de la NCDB: Los modelos iniciales entrenados con datos de la NCDB exhibieron un alto NPV (0.86–0.92) pero una baja sensibilidad (0.08–0.10) y un bajo PPV (0.22–0.60). Aunque SMOTE y el ajuste de hiperparámetros mejoraron la sensibilidad (hasta 0.68 para Naïve Bayes), los modelos generalmente tuvieron dificultades para identificar casos verdaderos positivos de recaída rápida, con puntuaciones de ROC AUC que oscilaron entre 0.59 y 0.71. El mejor ensamble de meta-aprendizaje en los datos de la NCDB logró una sensibilidad de 0.63 y una puntuación F1 de 0.38.
• Validación Externa (OSU): Cuando los modelos entrenados en la NCDB se probaron directamente en el registro de la OSU sin más adaptación, el rendimiento siguió siendo subóptimo (ROC AUC ~0.71, Sensibilidad ~0.58 para el ensamble), confirmando un cambio de dominio entre los datos del registro nacional y los datos clínicos de un solo centro.
• Rendimiento Optimizado: Tras aplicar el aprendizaje por transferencia y la optimización de umbrales específicamente a los datos de la OSU, el rendimiento del modelo de ensamble mejoró drásticamente. El modelo optimizado logró:
  • Sensibilidad: 0.87
  • Especificidad: 0.99
  • PPV: 0.90
  • NPV: 0.98
  • ROC AUC: 0.99
  • Exactitud: 0.98
  • Puntuación F1: 0.88

Significancia y Reivindicaciones
El artículo sostiene que la contribución principal es el desarrollo exitoso de una herramienta predictiva de alto rendimiento para el rrTNBC utilizando datos clínicos y sociodemográficos fácilmente disponibles, evitando la necesidad de biomarcadores complejos. El estudio demuestra que, si bien los modelos entrenados en grandes bases de datos nacionales (NCDB) pueden no generalizarse directamente a entornos clínicos locales debido a cambios en la distribución, el aprendizaje por transferencia combinado con la optimización de umbrales puede adaptar eficazmente estos modelos a los datos del mundo real.

Los autores postulan que el rrPM optimizado, con su alta sensibilidad y PPV, puede servir como una herramienta de soporte a la decisión clínica (CDS). Al identificar tempranamente a los pacientes con alto riesgo de recaída rápida, la herramienta podría facilitar la navegación del paciente dirigida, asegurando el acceso oportuno al tratamiento conforme a las guías y a la atención multidisciplinaria, particularmente para poblaciones vulnerables. El modelo está diseñado para ser transducible a los flujos de trabajo de Recursos de Interoperabilidad de Atención Médica Rápida (FHIR), permitiendo su potencial integración en las historias clínicas electrónicas mediante APIs.

Limitaciones y Direcciones Futuras
Los autores señalan explícamente las limitaciones, incluyendo el tamaño de muestra relativamente pequeño del conjunto de datos de validación clínica (n=281), lo que puede afectar la generalizabilidad. Afirman que los hallazgos requieren una validación externa prospectiva en conjuntos de datos independientes más grandes. Además, el artículo enfatiza que, si bien el modelo muestra una alta precisión predictiva, su impacto real en los procesos de atención y los resultados de los pacientes aún debe determinarse mediante estudios de implementación y ensayos prospectivos que evalúen su integración en los flujos de trabajo clínicos.