Random Survival Forest quantifies intra-stage heterogeneity of recurrence-free survival after curative gastrectomy: a single-center cohort study

Cuando un cirujano extirpa un tumor estomacal, el informe del patólogo es el primer mapa del futuro. Este informe asigna un estadio al cáncer, una etiqueta basada en qué tan profundo creció el tumor y si alcanzó los ganglios linfáticos cercanos. Durante décadas, este sistema ha sido la forma estándar en que los médicos suponen qué tan probable es que el cáncer regrese en un paciente. Agrupa a los pacientes, asumiendo que todos con la misma etiqueta enfrentan los mismos riesgos. Pero la biología rara vez es tan ordenada. Dos personas pueden portar exactamente la misma etiqueta de estadio y, sin embargo, tener resultados muy diferentes, porque los detalles invisibles de su enfermedad específica varían de formas que las etiquetas estándar no pueden ver. La pregunta para la medicina moderna es si podemos mirar más allá de las categorías amplias para ver los riesgos únicos de cada individuo, permitiendo una atención adaptada a la persona en lugar de al grupo.

Un equipo de investigadores en un único centro médico se propuso responder a esta pregunta para pacientes que se habían sometido a una cirugía exitosa para extirpar cáncer de estómago. Se centraron en un grupo específico de pacientes cuyos tumores se habían extendido a los ganglios linfáticos cercanos, pero no habían alcanzado órganos distantes, un rango de gravedad conocido como estadios IIA a IIIC. Mientras que el sistema estándar trata a todos en estos estadios como si tuvieran un perfil de riesgo similar, los investigadores sospechaban que existían diferencias ocultas dentro de estos grupos que eran significativas. Para encontrarlas, recurrieron a un método computacional llamado Bosque de Supervivencia Aleatoria (Random Survival Forest). Este no es un bosque de árboles, sino una herramienta digital que construye muchos caminos de decisión diferentes para encontrar patrones en datos complejos, de forma muy parecida a pedir a cien expertos diferentes que opinen sobre un solo caso y luego tomar el promedio de sus respuestas.

Los investigadores recopilaron expedientes de 486 pacientes a quienes se les extirpó el cáncer entre 2008 y 2020. Alimentaron a la computadora con diez piezas de información diferentes sobre cada paciente, incluyendo detalles sobre el tumor y la salud del paciente, para ver si el modelo podía predecir quién permanecería libre de cáncer durante tres y cinco años. Primero enseñaron al modelo utilizando datos de los años anteriores y luego lo probaron con pacientes de los años posteriores para asegurar que pudiera manejar nuevos casos. Los resultados mostraron que el modelo computacional era mejor prediciendo el futuro que las etiquetas de estadio estándar por sí solas. Mientras que el sistema tradicional daba una estimación aproximada, el nuevo modelo podía distinguir entre pacientes que tenían muchas probabilidades de permanecer libres de cáncer y aquellos que probablemente verían un regreso de la enfermedad, incluso cuando compartían el mismo estadio oficial.

El descubrimiento más sorprendente fue cómo el riesgo variaba dentro de los estadios intermedios de la enfermedad. Para los pacientes en los estadios II a IIIB, el modelo reveló una amplia brecha en los resultados. Algunos pacientes en estos grupos tenían una probabilidad muy baja de recurrencia, mientras que otros tenían una probabilidad mucho mayor, con una diferencia de diez a quince puntos porcentuales entre los grupos de menor y mayor riesgo. Esto significa que dos personas con la misma etiqueta de estadio podrían tener futuros muy diferentes, un hecho que el viejo sistema pasó por alto por completo. Sin embargo, el modelo encontró que para el grupo más grave, el estadio IIIC, el riesgo era uniformemente alto. Todos en este grupo enfrentaban una pesada carga de recurrencia, y el modelo computacional confirmó que la etiqueta de estadio estándar ya estaba haciendo un buen trabajo identificándolos como de alto riesgo. No había un grupo oculto de bajo riesgo escondido dentro de esta categoría.

Este trabajo sugiere que, para los estadios intermedios del cáncer de estómago, el sistema actual es demasiado tosco. Trata a un grupo diverso de pacientes como si fueran todos iguales, lo que podría conducir a una preocupación innecesaria o a un seguimiento insuficiente. El nuevo enfoque ofrece una forma de clasificar a estos pacientes de manera más fina, identificando quién necesita una vigilancia más cercana y quién podría estar seguro con el cuidado estándar. Los investigadores señalan que sus hallazgos se basan en un solo centro y deberán ser verificados por otros hospitales para confirmar que se cumplen en todas partes. Hasta entonces, este estudio proporciona un punto de referencia claro sobre cómo la tecnología podría algún día ayudar a los médicos a ir más allá de las etiquetas amplias para comprender la realidad específica de la enfermedad de cada paciente.