Prediction of LN-prRLN Metastasis in cN0 PTMC Patients Using Logistic Regression and Machine Learning: A Single-Center Retrospective Study

El cáncer de tiroides es el tipo de cáncer más común que afecta a las glándulas productoras de hormonas del cuerpo, y la gran mayoría de estos casos son una forma de crecimiento lento conocida como carcinoma papilar de tiroides. Dentro de este grupo, existe un subconjunto específico de tumores tan pequeños que se denominan microcarcinomas. Aunque estos diminutos tumores suelen comportarse de forma benigna, aún pueden propagarse a los ganglios linfáticos cercanos, los pequeños filtros con forma de frijol que drenan el fluido del cuello. Un área particularmente complicada para los cirujanos es un grupo de ganglios situados detrás del nervio derecho que controla la laringe. Debido a que este nervio serpentea a través de tejido profundo, las ecografías estándar a menudo pasan por alto las células cancerosas que se esconden allí. Esto crea un dilema difícil para los médicos: si no pueden ver el cáncer, ¿deberían extirpar estos ganglios profundos durante la cirugía para estar seguros, o dejarlos intactos para evitar riesgos innecesarios?

Un equipo de investigadores del Primer Hospital Afiliado de la Universidad Médica de Kunming se propuso resolver este enigma analizando los registros de más de mil pacientes que tenían estos diminutos tumores tiroideos pero que no mostraban signos de propagación en sus ecografías preoperatorias. Querían construir una herramienta que pudiera predecir, con alta precisión, si estos ganglios ocultos contenían realmente cáncer. Para ello, recopilaron información detallada de cada paciente, incluyendo el tamaño y la forma del tumor observado en la ecografía, la edad del paciente y los resultados específicos de la cirugía, como cuántos ganglios linfáticos en otras partes del cuello resultaron ser cancerosos. Luego, dividieron estos datos en dos grupos, utilizando un grupo grande para enseñar a los modelos computacionales cómo detectar patrones y un grupo más pequeño para probar si esos modelos realmente funcionaban con pacientes nuevos y no vistos previamente.

Los investigadores entrenaron dos tipos diferentes de sistemas de predicción. El primero fue un método estadístico tradicional que busca relaciones de línea recta entre los factores de riesgo y los resultados. El segundo fue un sistema de aprendizaje automático más avanzado, específicamente un algoritmo llamado XGBoost, que está diseñado para encontrar conexiones complejas y no lineales que el ojo humano podría pasar por alto. Ambos sistemas fueron alimentados con los mismos datos, incluyendo detalles como si el tumor había roto su cubierta exterior o si se encontró cáncer en los ganglios linfáticos frente a la laringe o en el lado izquierdo del cuello. El objetivo era ver qué sistema podía adivinar mejor si los ganglios profundos ocultos detrás del nervio derecho eran positivos para cáncer.

Los resultados mostraron que ambos métodos fueron altamente efectivos, pero el modelo de aprendizaje automático tuvo una ligera ventaja en estabilidad. El predictor más poderoso para el cáncer oculto resultó no ser el tamaño del tumor o la edad del paciente, sino la relación de ganglios cancerosos encontrados en dos áreas específicas y más accesibles: los ganglios frente a la laringe y los ganglios frente al nervio derecho. Cuando estas proporciones eran altas, la probabilidad de que el cáncer se escondiera detrás del nervio aumentaba drásticamente. De hecho, estos dos factores por sí solos explicaron más de dos tercios del poder de predicción en el modelo de aprendizaje automático. Otros factores, como si el tumor había roto su cápsula o la presencia de múltiples tumores pequeños, desempeñaron un papel, pero su influencia fue mucho menor en comparación con la carga de cáncer en esos grupos de ganglios linfáticos vecinos específicos.

Cuando los investigadores compararon los dos modelos, encontraron que el sistema de aprendizaje automático avanzado era ligeramente mejor para distinguir entre los pacientes que tenían cáncer oculto y aquellos que no lo tenían, aunque la diferencia no fue estadísticamente enorme. Más importante aún, el modelo de aprendizaje automático se mantuvo más consistente al predecir probabilidades a través de diferentes niveles de riesgo, mientras que el modelo tradicional mostró más fluctuaciones. Los investigadores utilizaron una técnica para visualizar exactamente cómo el modelo de aprendizaje automático tomaba sus decisiones, confirmando que dependía fuertemente de las proporciones de ganglios linfáticos mencionadas anteriormente. Esto sugiere que la propagación del cáncer a estos ganglios profundos y difíciles de ver está estrechamente ligada a cuánto cáncer se ha acumulado ya en las áreas circundantes y más fáciles de alcanzar.

El estudio concluye que, si bien el complejo modelo de aprendizaje automático ofrece una forma robusta de manejar estas relaciones intrincadas, el modelo tradicional más simple también funciona bien y podría ser más fácil de usar para los médicos en un quirófano con mucho trabajo. Ambas herramientas ofrecen una forma de ir más allá de las conjeturas, ayudando a identificar a aquellos pacientes con tumores tiroideos diminutos que corren un alto riesgo de propagación oculta. Al identificar con precisión a estos individuos de alto riesgo antes o durante la cirugía, los médicos pueden tomar decisiones más informadas sobre si realizar una disección más extensa de los ganglios linfáticos profundos, equilibrando la necesidad de eliminar todo el cáncer con el deseo de minimizar las complicaciones quirúrgicas. Los hallazgos sugieren que observar la carga tumoral en los ganglios linfáticos accesibles proporciona una ventana más clara hacia los riesgos ocultos que simplemente medir el propio tumor.