Prediction of Pathologic Complete Response for Rectal Cancer Based on Pretreatment Factors Using Machine Learning

BACKGROUND:Pathologic complete response after neoadjuvant therapy is an important prognostic indicator for locally advanced rectal cancer and may give insights into which patients might be treated nonoperatively in the future. Existing models for predicting pathologic complete response in the pretreatment setting are limited by small data sets and low accuracy.OBJECTIVE:We sought to use machine learning to develop a more generalizable predictive model for pathologic complete response for locally advanced rectal cancer.DESIGN:Patients with locally advanced rectal cancer who underwent neoadjuvant therapy followed by surgical resection were identified in the National Cancer Database from years 2010 to 2019 and were split into training, validation, and test sets. Machine learning techniques included random forest, gradient boosting, and artificial neural network. A logistic regression model was also created. Model performance was assessed using an area under the receiver operating characteristic curve.SETTINGS:This study used a national, multicenter data set.PATIENTS:Patients with locally advanced rectal cancer who underwent neoadjuvant therapy and proctectomy.MAIN OUTCOME MEASURES:Pathologic complete response defined as T0/xN0/x.RESULTS:The data set included 53,684 patients. Pathologic complete response was experienced by 22.9% of patients. Gradient boosting showed the best performance with an area under the receiver operating characteristic curve of 0.777 (95% CI, 0.773-0.781), compared with 0.684 (95% CI, 0.68-0.688) for logistic regression. The strongest predictors of pathologic complete response were no lymphovascular invasion, no perineural invasion, lower CEA, smaller size of tumor, and microsatellite stability. A concise model including the top 5 variables showed preserved performance.LIMITATIONS:The models were not externally validated.CONCLUSIONS:Machine learning techniques can be used to accurately predict pathologic complete response for locally advanced rectal cancer in the pretreatment setting. After fine-tuning a data set including patients treated nonoperatively, these models could help clinicians identify the appropriate candidates for a watch-and-wait strategy. See Video Abstract.EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico. PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado. DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia. PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado. LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado. DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia. PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado. LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado. DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia. PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado. LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo)EL CaNCER DE RECTO BASADA EN FACTORES PREVIOS AL TRATAMIENTO MEDIANTE EL APRENDIZAJE AUTOMaTICOANTECEDENTES:La respuesta patologica completa despues de la terapia neoadyuvante es un indicador pronostico importante para el cancer de recto localmente avanzado y puede dar informacion sobre que pacientes podrian ser tratados de forma no quirurgica en el futuro. Los modelos existentes para predecir la respuesta patologica completa en el entorno previo al tratamiento estan limitados por conjuntos de datos pequenos y baja precision.OBJETIVO:Intentamos utilizar el aprendizaje automatico para desarrollar un modelo predictivo mas generalizable para la respuesta patologica completa para el cancer de recto localmente avanzado.DISENO:Los pacientes con cancer de recto localmente avanzado que se sometieron a terapia neoadyuvante seguida de reseccion quirurgica se identificaron en la Base de Datos Nacional del Cancer de los anos 2010 a 2019 y se dividieron en conjuntos de capacitacion, validacion y prueba. Las tecnicas de aprendizaje automatico incluyeron bosque aleatorio, aumento de gradiente y red neuronal artificial. Tambien se creo un modelo de regresion logistica. El rendimiento del modelo se evaluo utilizando el area bajo la curva caracteristica operativa del receptor.aMBITO:Este estudio utilizo un conjunto de datos nacional multicentrico.PACIENTES:Pacientes con cancer de recto localmente avanzado sometidos a terapia neoadyuvante y proctectomia.PRINCIPALES MEDIDAS DE VALORACI & Oacute; N:Respuesta patologica completa definida como T0/xN0/x.RESULTADOS:El conjunto de datos incluyo 53.684 pacientes. El 22,9% de los pacientes experimentaron una respuesta patologica completa. El refuerzo de gradiente mostro el mejor rendimiento con un area bajo la curva caracteristica operativa del receptor de 0,777 (IC del 95%: 0,773 - 0,781), en comparacion con 0,684 (IC del 95%: 0,68 - 0,688) para la regresion logistica. Los predictores mas fuertes de respuesta patologica completa fueron la ausencia de invasion linfovascular, la ausencia de invasion perineural, un CEA mas bajo, un tamano mas pequeno del tumor y la estabilidad de los microsatelites. Un modelo conciso que incluye las cinco variables principales mostro un rendimiento preservado.LIMITACIONES:Los modelos no fueron validados externamente.CONCLUSIONES:Las tecnicas de aprendizaje automatico se pueden utilizar para predecir con precision la respuesta patologica completa para el cancer de recto localmente avanzado en el entorno previo al tratamiento. Despues de realizar ajustes en un conjunto de datos que incluye pacientes tratados de forma no quirurgica, estos modelos podrian ayudar a los medicos a identificar a los candidatos adecuados para una estrategia de observar y esperar. (Traduccion-Dr. Ingrid Melo) Video Abstract1_cu9m2xy0Kaltura