A Longitudinal Study on Predicting Quality of Life in T3 Stage Radiotherapy Patients Based on Ensemble Learning and SHAP Interpretation

Resumen Técnico: Un estudio longitudinal sobre la predicción de la calidad de vida en pacientes con radioterapia en estadio T3 basado en el aprendizaje de conjunto e interpretación SHAP

Planteamiento del problema
La radioterapia para neoplasias abdominales (p. ej., cáncer gástrico, colorrectal, hepático, pancreático) a menudo resulta en efectos secundarios físicos persistentes (p. ej., enteritis por radiación, disfunción digestiva) y angustia psicosocial, lo que conduce a un descenso significativo de la Calidad de Vida (QoL, por sus siglas en inglés) en el 40%–60% de los pacientes tres a seis meses después del tratamiento. Si bien la identificación temprana de pacientes de alto riesgo es crucial para la oncología de precisión, los modelos de predicción existentes enfrentan tres limitaciones principales:

1. Datos estáticos: La mayoría de los modelos dependen de datos transversales en un único punto temporal, fallando al capturar trayectorias de enfermedad dinámicas.
2. Limitaciones algorítmicas: Muchos estudios utilizan algoritmos individuales (p. ej., regresión logística o bosque aleatorio) que pueden carecer de generalizabilidad o precisión predictiva (típicamente AUC 0.75–0.85).
3. Brecha de interpretabilidad: Los modelos complejos de aprendizaje automático suelen permanecer como "cajas negras", y los estudios existentes no han cuantificado claramente los umbrales de intervención clínica ni han explorado las interacciones de las características mediante técnicas de IA explicable (XAI).

Metodología
Este estudio observacional longitudinal prospectivo de centro único analizó a 133 pacientes con neoplasias abdominales sometidos a radioterapia de intensidad modulada (IMRT) entre enero de 2019 y diciembre de 2021. Los datos se recolectaron en cuatro puntos temporales: pre-radioterapia (T0), mitad de la radioterapia (T1), fin de la radioterapia (T2) y tres meses post-radioterapia (T3).

El marco de investigación consistió en cuatro etapas principales:

1. Preprocesamiento de datos e ingeniería de características:

   • Generación de características dinámicas: Para capturar la evolución temporal, el estudio calculó los cambios ($\Delta$) entre puntos temporales adyacentes para 144 variables de síntomas/escalas, generando 432 características dinámicas.
   • Ponderación temporal: Se utilizó ANOVA para cuantificar la contribución de T0, T1 y T2 a la QoL en T3, asignando pesos (T0=0.7, T1=0.9, T2=1.2) para mejorar el valor informativo de los puntos clínicos críticos.
   • Selección de características: A partir de un grupo inicial de 581 características brutas (demográficas, clínicas, de síntomas, escalas y dinámicas), una regresión LASSO (validación cruzada de 10 pliegues) combinada con la correlación de Pearson y el análisis del Factor de Inflación de la Varianza (VIF) redujo la dimensionalidad a 23 características predictivas centrales. Crucialmente, todas las características se derivaron de los datos de T0–T2 para evitar la filtración de resultados (outcome leakage).

2. Construcción del modelo (Aprendizaje de conjunto de apilamiento - Stacking Ensemble Learning):

   • Modelos base: Se optimizaron mediante búsqueda de cuadrícula (grid search) los modelos de Bosque Aleatorio (RF), XGBoost (XGB), Máquina de Vectores de Soporte (SVM) y Regresión Logística (LR).
   • Estrategia de ensamblaje: Se empleó una arquitectura de Stacking donde los modelos base generaron predicciones fuera de la muestra (out-of-fold) mediante validación cruzada de 5 pliegues. Una Regresión Logística con regularización L2 sirvió como meta-aprendiz para fusionar estas predicciones.
   • Gestión del desequilibrio: Se aplicó el método de sobremuestreo SMOTE (relación 1:1) para abordar el desequilibrio de clases en el conjunto de entrenamiento.

3. Validación y evaluación de la estabilidad:

   • Validación interna: El modelo se sometió a 100 simulaciones de Monte Carlo, 100 repeticiones de validación cruzada de 10 pliegues y validación cruzada de dejar uno fuera (Leave-One-Out Cross-Validation, LOOCV).
   • Análisis de sensibilidad: La robustez se probó frente a variaciones en la imputación de valores faltantes (MI, KNN), el manejo de valores atípicos (eliminación directa) y los parámetros de regularización de LASSO.

4. Interpretabilidad (Análisis SHAP):

   • Se utilizaron las explicaciones de adición de SHAP (SHAP) para clasificar la importancia de las características, identificar umbrales clínicos mediante el índice de Youden y cuantificar los efectos de interacción sinérgica entre características.

Resultados clave

• Desempeño predictivo: El modelo de ensamblaje Stacking alcanzó un AUC de 0.929 (95% CI: 0.799–1.000) en el conjunto de validación, con precisión, sensibilidad y especificidad de 0.885, 0.923 y 0.846, respectivamente. La calibración fue buena (Hosmer-Lemeshow P=0.151).
• Estabilidad: El modelo demostró una alta estabilidad con un coeficiente de variación (CV) de solo 1.03% a través de 100 simulaciones de Monte Carlo. El análisis de sensibilidad confirmó que las características centrales y las métricas de desempeño se mantuvieron estables a pesar de las variaciones metodológicas.
• Utilidad clínica: El Análisis de Curva de Decisión (DCA) indicó un beneficio neto sustancial dentro del rango de umbral de intervención de 0.10–0.80, con un beneficio neto medio absoluto de 0.32. El Número Necesario para Tratar (NNT) fue de 3, lo que significa que se requiere intervenir a tres pacientes de alto riesgo identificados por el modelo para prevenir un caso de baja QoL.
• Determinantes centrales (Top-5 características SHAP):
  1. Capacidad para realizar tareas domésticas (importancia SHAP: 0.0357; Umbral: 0.263).
  2. Valor estandarizado por edad (importancia SHAP: 0.0303; Umbral: 0.511).
  3. Edad (importancia SHAP: 0.0298; Umbral: 0.511).
  4. Aceptación de los cambios físicos tras el tratamiento (importancia SHAP: 0.0268; Umbral: 1.98).
  5. Grado de tristeza y angustia (importancia SHAP: 0.0204; Sin umbral claro).
• Efectos de interacción: Se encontró una interacción sinérgica significativa entre la capacidad para realizar tareas domésticas y la edad (valor de interacción: 0.012, P=0.031). El impacto positivo de la capacidad para realizar tareas domésticas en la QoL es más pronunciado en pacientes mayores, debido probablemente al declive fisiológico que exacerba la pérdida de autovalía.
• Análisis de subgrupos: El modelo mantuvo su estabilidad en los subtipos de cáncer gástrico y colorrectal (Kappa > 0.90), con factores Top-5 consistentes, aunque el ranking de importancia varió ligeramente (p. ej., la capacidad de tareas domésticas y la tristeza fueron dominantes para el cáncer gástrico; la edad y la aceptación del cambio físico para el colorrectal).

Significancia y Reivindicaciones
Los autores afirman que este estudio proporciona evidencia de Nivel IIb para las siguientes contribuciones:

1. Marco metodológico: Establece un marco reproducible para el análisis de aprendizaje automático de datos longitudinales oncológicos de muestra pequeña (n=133), equilibrando con éxito el subajuste (underfitting) y el sobreajuste (overfitting) mediante el aprendizaje de conjunto Stacking.
2. Traslación clínica: Al ir más allá de las predicciones de "caja negra", el estudio identifica umbrales clínicos cuantificables y factores modificables centrales. Esto permite pasar de una "intervención universal" a una "intervención de precisión", permitiendo a los clínicos dirigirse a necesidades de rehabilitación específicas (p. ej., entrenamiento en la vida diaria para ancianos, apoyo psicológico para pacientes jóvenes).
3. Estrategias diferenciadas: La identificación de factores centrales específicos de cada subtipo (p. ej., gástrico vs. colorrectal) proporciona una base científica para formular estrategias de intervención diferenciadas para distintas neoplasias abdominales.
4. Viabilidad: El modelo depende de indicadores fácilmente obtenibles durante el seguimiento clínico de rutina (p. ej., capacidad doméstica, edad, estado emocional), lo que lo hace adecuado para una rápida promoción en los departamentos de radioterapia sin cargas de exámenes adicionales.

Los autores concluyen que, si bien el modelo muestra una alta validez interna y estabilidad, la generalizabilidad externa requiere validación en cohortes multicéntricas más grandes (n≥300), y el trabajo futuro debe incluir ensayos intervencionistas prospectivos para verificar la eficacia de los objetivos identificados.