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

Sintesi Tecnica: Analisi Esplorativa di Machine Learning dei Fattori Associati a Margini di Resezione Circonferenziale Positivi dopo taTME

Definizione del Problema
Il margine di resezione circonferenziale (CRM) positivo è un indicatore critico della qualità oncologica nella chirurgia del cancro del retto, fortemente associato alla recidiva locale e a una ridotta sopravvivenza. Sebbene la resezione totale extraperitoneale transanale (taTME) sia stata introdotta per migliorare la visualizzazione e la dissezione in casi anatomicamente impegnativi (es. bacino stretto, obesità), il raggiungimento di un CRM negativo rimane un obiettivo chirurgico primario. Studi precedenti basati su registri hanno utilizzato la regressione logistica per identificare fattori di rischio come la fascia mesorettale (MRF) minacciata e lo stadio tumorale avanzato. Tuttavia, il valore incrementale degli algoritmi di machine learning (ML) nel modellare relazioni non lineari e nell'interpretare complesse interazioni tra variabili all'interno di dati di registro del mondo reale richiede un'ulteriore esplorazione. Questo studio affronta la necessità di esplorare i fattori associati alla positività del CRM dopo taTME utilizzando un ampio registro multicentrico, confrontando molteplici algoritmi di ML per identificare i predittori influenti.

Metodologia

• Fonte dei Dati: Lo studio ha utilizzato i dati del Chinese TaTME Registry Collaborative (CTRC), un registro web-based nazionale istituito nel 2017. La coorte comprendeva 1.625 pazienti con cancro del retto sottoposti a taTME primaria tra novembre 2017 e luglio 2024 in 32 istituzioni.
• Esito: L'esito primario è stato la positività patologica del CRM, definita dalla presenza di cellule tumorali o linfonodi maligni entro ≤1 mm dal CRM. Il tasso di positività osservato è stato del 2,77% (45 casi).
• Predittori: Sono state considerate ventuno variabili, tra cui dati demografici (età, BMI, sesso), imaging preoperatorio (localizzazione del tumore, stadio clinico T/N, MRF minacciata, invasione vascolare extramurale), storia del trattamento (terapia neoadiuvante), fattori intraoperatori (supervisione esperta, approccio chirurgico, conversione, resezione intersfinterica [ISR], difficoltà intraoperatorie) e patologia postoperatoria (stadio patologico T/N).
• Pre-elaborazione dei Dati: I dati mancanti (11,69% complessivi) sono stati gestiti tramite imputazione multipla basata su Random Forest. Per prevenire la fuga di dati (data leakage), l'imputazione è stata eseguita dopo la divisione del dataset in coorti di addestramento (70%) e validazione (30%) utilizzando un campionamento stratificato per preservare la distribuzione dell'evento raro.
• Sviluppo del Modello: Sono stati valutati nove algoritmi di machine learning supervisionato: Regressione Logistica (LR), Elastic Net (ENET), Decision Tree (DT), Random Forest (RF), Extreme Gradient Boosting (XGBoost), Radial Support Vector Machine (RSVM), Multilayer Perceptron (MLP), LightGBM e k-Nearest Neighbors (KNN). Gli iperparametri sono stati ottimizzati tramite grid search con cross-validazione a cinque pieghe.
• Valutazione: Le prestazioni sono state valutate utilizzando l'Area Sotto la Curva ROC (AUC), l'accuratezza, la sensibilità, la specificità e altre metriche. L'interpretazione del modello è stata eseguita tramite SHapley Additive exPlanations (SHAP) per quantificare i contributi delle variabili.

Risultati Chiave

• Prestazioni del Modello: Nella coorte di validazione, il modello Radial Support Vector Machine (RSVM) ha dimostrato l'AUC apparente più elevata di 0,842 (95% CI: 0,696–0,989). La Regressione Logistica ha mostato una discriminazione comparabile con un'AUC di 0,819. Altri modelli, come Random Forest e KNN, hanno esibito alte AUC di addestramento (>0,90) ma prestazioni di validazione inferiori, indicando un overfitting in questo scenario di eventi rari.
• Importanza delle Variabili: L'analisi SHAP sul modello RSVM ha identificato i tre predittori più influenti della positività del CRM:
  1. Stadio N patologico.
  2. Fascia mesorettale (MRF) minacciata alla RM preoperatoria.
  3. Resezione intersfinterica (ISR).
• Associazioni Cliniche: I pazienti con positività del CRM avevano maggiori probabilità di presentare stadi clinici e patologici T/N più elevati, coinvolgimento della MRF e positività EMVI alla RM. Le chirurgie eseguite senza supervisione esperta erano associate a una maggiore positività del CRM, mentre la ISR e la chirurgia robotica mostravano tassi più elevati di positività del CRM nell'analisi univariata.
• Variazione Inter-centro: È stata osservata una significativa eterogeneità nei tassi di positività del CRM tra i 32 centri partecipanti (p < 0,001), sebbene non sia stata trovata alcuna correlazione significativa tra il volume di casi del centro e i tassi di positività del CRM.

Significatività e Rivendicazioni
Gli autori pongono questo studio come un'analisi esplorativa piuttosto che come uno strumento di predizione clinica definitivo. La significatività primaria risiede in:

1. Validazione di Fattori Noti: Confermare, all'interno di un ampio registro multicentrico cinese, che fattori clinicamente plausibili (MRF minacciata, stadio nodale avanzato, complessità chirurgica tramite ISR) sono fortemente associati alla positività del CRM.
2. Esplorazione Metodologica: Dimostrare l'applicazione di molteplici algoritmi di ML e dell'interpretazione SHAP a un registro taTME del mondo reale, evidenziando le sfide della modellazione di esiti rari (basso rapporto eventi-per-predittore) e il rischio di overfitting.
3. Limiti e Ambito: Gli autori dichiarano esplicitamente che i modelli includono variabili intraoperatorie e postoperatorie (es. stadio patologico, ISR, difficoltà intraoperatorie), rendendoli inadatti come strumenti di supporto decisionale preoperatorio. Il basso valore predittivo positivo (PPV ~0,10 nella validazione) limita ulteriormente l'utilità clinica immediata per l'escalation del trattamento.
4. Direzioni Future: Lo studio conclude che, sebbene il ML possa integrare variabili complesse, il suo valore rispetto alla valutazione multidisciplinare standard non è ancora provato. La ricerca futura deve sviluppare modelli utilizzando esclusivamente variabili preoperatorie, aumentare il numero di eventi con CRM positivo e condurre una validazione esterna indipendente prima dell'applicazione clinica.

L'articolo non sostiene di aver scoperto nuovi predittori, ma piuttosto di aver integrato quantitativamente i fattori di rischio noti all'interno di un ampio quadro di registro per comprendere meglio i loro contributi relativi nel contesto della taTME.