Exploratory machine learning analysis of factors associated with positive circumferential resection margins following transanal total mesorectal excision: a multicenter registry study

Resumen Técnico: Análisis Exploratorio de Aprendizaje Automático de los Factores Asociados con Márgenes de Resección Circunferencial Positivos tras taTME

Planteamiento del Problema
El margen de resección circunferencial (MRC) positivo es un indicador crítico de la calidad oncológica en la cirugía de cáncer de recto, fuertemente asociado con la recurrencia local y la reducción de la supervivencia. Aunque la escisión total del mesorecto por vía transanal (taTME) se introdujo para mejorar la visualización y la disección en casos anatómicamente desafiantes (p. ej., pelvis estrecha, obesidad), lograr un MRC negativo sigue siendo un objetivo quirúrgico primordial. Estudios previos basados en registros han utilizado la regresión logística para identificar factores de riesgo como la fascia mesorectal (FMR) amenazada y el estadio tumoral avanzado. Sin embargo, el valor incremental de los algoritmos de aprendizaje automático (ML) para modelar relaciones no lineales e interpretar interacciones complejas de variables dentro de los datos de registros del mundo real requiere una mayor exploración. Este estudio aborda la necesidad de explorar los factores asociados con la positividad del MRC tras la taTME utilizando un gran registro multicéntrico, comparando múltiples algoritmos de ML para identificar predictores influyentes.

Metodología

• Fuente de Datos: El estudio utilizó datos del Colaborativo del Registro Chino de TaTME (CTRC), un registro nacional basado en la web establecido en 2017. La cohorte incluyó a 1,625 pacientes con cáncer de recto que se sometieron a una taTME primaria entre noviembre de 2017 y julio de 2024 en 32 instituciones.
• Resultado: El resultado primario fue la positividad del MRC patológico, definida como la presencia de células tumorales o ganglios linfáticos malignos dentro de ≤1 mm del MRC. La tasa de positividad observada fue del 2.77% (45 casos).
• Predictores: Se consideraron veintiuna variables, incluyendo demografía (edad, IMC, sexo), imagen preoperatoria (localización del tumor, estadio clínico T/N, FMR amenazada, invasión vascular extramural), antecedentes de tratamiento (terapia neoadyuvante), factores intraoperatorios (supervisión experta, abordaje quirúrgico, conversión, resección interesfinteriana [ISR], dificultades intraoperatorias) y patología postoperatoria (estadio patológico T/N).
• Preprocesamiento de Datos: Los datos faltantes (11.69% en total) se manejaron mediante imputación múltiple basada en bosques aleatorios (random forest). Para evitar la fuga de datos (data leakage), la imputación se realizó después de dividir el conjunto de datos en cohortes de entrenamiento (70%) y validación (30%) mediante muestreo estratificado para preservar la distribución de eventos raros.
• Desarrollo del Modelo: Se evaluaron nueve algoritmos de aprendizaje automático supervisado: Regresión Logística (LR), Elastic Net (ENET), Árbol de Decisión (DT), Bosque Aleatorio (RF), Extreme Gradient Boosting (XGBoost), Máquina de Vectores de Soporte Radial (RSVM), Perceptrón Multicapa (MLP), LightGBM y k-Vecinos más Cercanos (KNN). Los hiperparámetros se optimizaron mediante búsqueda de cuadrícula (grid search) con validación cruzada de cinco pliegues.
• Evaluación: El rendimiento se evaluó mediante el Área Bajo la Curva ROC (AUC), exactitud, sensibilidad, especificidad y otras métricas. La interpretación del modelo se realizó mediante explicaciones de Shapley (SHapley Additive exPlanations, SHAP) para cuantificar las contribuciones de las variables.

Resultos Clave

• Rendimiento del Modelo: En la cohorte de validación, el modelo de Máquina de Vectores de Soporte Radial (RSVM) demostró el AUC aparente más alto de 0.842 (IC 95%: 0.696–0.989). La Regresión Logística mostró una discriminación comparable con un AUC de 0.819. Otros modelos, como Random Forest y KNN, exhibieron AUC de entrenamiento altos (>0.90) pero un menor rendimiento de validación, lo que indica un sobreajuste (overfitting) en este escenario de eventos raros.
• Importancia de las Variables: El análisis SHAP en el modelo RSVM identificó los tres predictores más influyentes de la positividad del MRC:
  1. Estadio N patológico.
  2. Fascia mesorectal (FMR) amenazada en la RM preoperatoria.
  3. Resección interesfinteriana (ISR).
• Asociaciones Clínicas: Los pacientes con positividad del MRC tuvieron mayor probabilidad de presentar estadios clínicos y patológicos T/N más avanzados, afectación de la FMR y positividad de EMVI en la RM. Las cirugías realizadas sin supervisión experta se asociaron con una mayor positividad del MRC, mientras que la ISR y la cirugía robótica mostraron tasas más altas de positividad del MRC en el análisis univariante.
• Variación Inter-centro: Se observó una heterogeneidad significativa en las tasas de positividad del MRC entre los 32 centros participantes (p < 0.001), aunque no se encontró una correlación significativa entre el volumen de casos del centro y las tasas de positividad del MRC.

Significancia y Reivindicaciones
Los autores posicionan este estudio como un análisis exploratorio en lugar de una herramienta de predicción clínica definitiva. La significancia principal radica en:

1. Validación de Factores Conocidos: Confirmar, dentro de un gran registro multicéntrico chino, que factores clínicamente plausibles (FMR amenazada, estadio ganglionar avanzado, complejidad quirúrgica mediante ISR) están fuertemente asociados con la positividad del MRC.
2. Exploración Metodológica: Demostrar la aplicación de múltiples algoritmos de ML e interpretación SHAP a un registro de taTME del mundo real, destacando los desafíos de modelar resultados raros (baja relación evento-predictor) y el riesgo de sobreajuste.
3. Limitaciones y Alcance: Los autores declaran explícitamente que los modelos incluyeron variables intraoperatorias y postoperatorias (p. ej., estadio patológico, ISR, dificultades intraoperatorias), lo que los hace inadecuados como herramientas de apoyo a la decisión preoperatoria. El bajo valor predictivo positivo (VPP ~0.10 en la validación) limita aún más su utilidad clínica inmediata para la escalada de tratamiento.
4. Direcciones Futuras: El estudio concluye que, si bien el ML puede integrar variables complejas, su valor sobre la evaluación multidisciplinaria estándar aún no ha sido probado. Se requiere investigación futura para desarrollar modelos que utilicen exclusivamente variables preoperatorias, aumentar el número de eventos positivos de MRC y realizar una validación externa independiente antes de su aplicación clínica.

El artículo no pretende haber descubierto nuevos predictores, sino haber integrado cuantitativamente factores de riesgo conocidos dentro de un marco de registro extenso para comprender mejor sus contribuciones relativas en el contexto de la taTME.