Predicting High-Risk Colorectal Polyps in African Americans Using Pre-Colonoscopy Clinical Features: Machine Learning Model Development and Temporal Validation

Sintesi Tecnica: Predizione di Polipi Colorettali ad Alto Rischio negli Afroamericani Utilizzando Caratteristiche Cliniche Pre-Colonscopia

Definizione del Probleico
Il tumore del colon-retto (CRC) rimane una delle principali cause di morbilità e mortalità, colpendo in modo sproporzionato determinati gruppi razziali e socioeconomici. Sebbene la colonscopia sia il gold standard per la prevenzione, la sua resa diagnostica varia in base a fattori procedurali e del paziente, e le risorse sono spesso limitate o distribuite in modo non uniforme. La tradizionale stratificazione del rischio si basa su variabili demografiche e cliniche ampie (ad es., età, familiarità), ma spesso manca della granularità necessaria per identificare i singoli pazienti ad alto rischio, portando sia a un eccesso che a un sottoutilizzo dello screening. Inoltre, gli esistenti modelli di machine learning (ML) per il rischio di CRC spesso mancano di una robusta validazione in popolazioni diverse e reali, in particolare tra gli afroamericani, e si affidano frequentemente a dati invasivi o post-procedurali. Lo studio affronta la necessità di strumenti di predizione del rischio non invasivi, pre-colonscopia, che utilizzino dati clinici routinariamente disponibili per dare priorità alla sorveglianza e migliorare l'equità nelle popolazioni urbane svantaggiate.

Metodologia
Gli autori hanno condotto uno studio di coorte retrospettivo presso l'Howard University Hospital coinvolgendo 6.243 pazienti che si sono sottoposti a colonscopia tra il 2015 e il 2024. Il dataset è stato suddiviso temporalmente per garantire una validazione rigorosa:

• Coorte Interna (2015–2022): 4.681 pazienti utilizzati per lo sviluppo del modello e la validazione interna.
• Coorte Esterna (2023–2024): 1.562 pazienti utilizzati come set di validazione temporalmente separato per valutare la generalizzabilità.

Dati e Caratteristiche:
Lo studio ha utilizzato esclusivamente caratteristiche non invasive e pre-colonscopia estratte dalle cartelle cliniche elettroniche (EHR). Le variabili intra- e post-procedurali (ad es., qualità della preparazione intestinale, tempo di ritiro) sono state esplicitamente escluse. Le caratteristiche includevano:

• Demografia: Età, sesso, razza, occupazione.
• Stile di vita: Stato di fumatore, consumo di alcol, uso di droghe illecite.
• Storia Clinica: Storia familiare di CRC (1° e 2° grado), comorbidità (CAD, diabete, ipertensione, IBD, CKD, dialisi, H. pylori, HPV), e uso di farmaci (aspirina, FANS, multivitaminici, storia di chemioterapia/radioterapia).
• Indicazione: Indicazione alla colonscopia.

Variabile Target:
I pazienti sono stati classificati come aventi Polipi ad Alto Rischio (HRP) se soddisfacevano uno qualsiasi dei seguenti criteri: adenomi villosi/tubulovillosi, displasia di alto grado, dimensione del polipo ≥10 mm o ≥3 polipi per procedura. Tutti gli altri sono stati classificati come Polipi a Basso Rischio (LRP).

Sviluppo del Modello:
Gli autori hanno sviluppato e confrontato otto algoritmi di apprendimento supervisionato: Regressione Logistica, Random Forest, XGBoost, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Naïve Bayes, Decision Tree e una Rete Neurale (NN).

• Preprocessing: I valori mancanti sono stati imputati utilizzando la strategia della mediana; le variabili continue sono state standardizzate. La tecnica di sovracampionamento sintetico delle minoranze (SMOTE) è stata applicata all'interno dei fold di addestramento per affrontare lo squilibrio delle classi.
• Addestramento: La validazione interna ha utilizzato la validazione incrociata (cross-validation) stratificata a 5 fold. La validazione esterna ha comportato il riaddestramento dei modelli sull'intera coorte interna e il test sul set 2023–2024.
• Metriche di Valutazione: Le prestazioni sono state valutate utilizzando ROC-AUC, PR-AUC, accuratezza, precisione, recall e F1 score.
• Interpretabilità: Sono stati utilizzati gli SHapley Additive exPlanations (SHAP) per quantificare il contributo delle caratteristiche e identificare i predittori chiave.

Risultati Chiave

• Prestazioni del Modello: La Rete Neurale ha ottenuto la più alta discriminazione interna (ROC-AUC 0,78, PR-AUC 0,75, Accuratezza 0,72). Tuttavia, le sue prestazioni sono diminuite significativamente nella coorte esterna (ROC-AUC 0,67, Accuratezza 0,66), suggerendo un potenziale overfitting o un drift temporale delle caratteristiche.
• Generalizzazione: I modelli più semplici (Naïve Bayes, SVM, XGBoost, Regressione Logistica) hanno mostrato una performance interna inferiore (ROC-AUC 0,54–0,59) ma hanno dimostrato una generalizzazione più stabile alla coorte esterna (ROC-AUC 0,52–0,63; Accuratezza ~0,53–0,60).
• Predittori: L'analisi SHAP ha identificato età, stato di fumatore, sesso, occupazione, razza, indicazione alla colonscopia e storia familiare di CRC come i predittori più influenti. I fattori clinici tradizionali sono rimasti dominanti, con le variabili sociodemografiche che hanno contribuito in modo significativo.
• Caratteristiche della Coorte: La popolazione in esame era prevalentemente afroamericana (~84%). Sebbene le coorti interna ed esterna fossero ampiamente simili, sono state osservate differenze statisticamente significative nell'età, nella distribuzione del sesso, nella prevalenza del fumo, nell'ipertensione e nella malattia renale cronica, probabilmente a causa della dimensione elevata del campione.

Significato e Rivendicazioni
L'articolo sostiene che la predizione di polipi colorettali ad alto rischio utilizzando dati routinari pre-colonscopia è fattibile ma dimostra una limitata generalizzabilità tra coorti temporalmente distinte.

• Potenziale Clinico: Lo studio evidenzia il potenziale della modellazione del rischio pre-procedurale per migliorare il processo decisionale clinico, in particolare in contesti con risorse limitate, dando priorità alla sorveglianza per gli individui ad alto rischio senza richiedere biomarcatori o imaging invasivi.
• Equità: Concentrandosi su una coorte urbana, prevalentemente afroamericana — un gruppo sottorappresentato negli studi precedenti sul CRC e sull'IA — questo lavoro affronta una lacuna critica nella comprensione delle prestazioni dei modelli in popolazioni storicamente svantaggiate.
• Limiti del ML: Gli autori concludono con modestia che, sebbene il ML possa integrare dati multidimensionali, il beneficio incrementale rispetto alle strategie di punteggio del rischio più semplici può essere limitato in popolazioni reali e diverse. Il calo delle prestazioni dalla validazione interna a quella esterna sottolinea le sfide del drift temporale e la necessità di una validazione esterna robusta.
• Esigenze Future: Lo studio suggerisce che il raggiungimento di strumenti di predizione clinicamente robusti ed equi richiederà probabilmente l'integrazione di ulteriori modalità di dati e una validazione prospettica.

In sintesi, il documento fornisce un framework validato per la stratificazione del rischio pre-colonscopia utilizzando dati non invasivi, ma avverte che gli attuali modelli, pur essendo promettenti, richiedono ulteriori affinamenti e validazioni prima di un dispiegamento clinico diffuso.