Documentos de Académico
Documentos de Profesional
Documentos de Cultura
José Marcio Luna una , 1 , 2 , ⇑ , Hann-Hsiang Chao si , 1 , Russel T. Shinohara C , 2 , Lyle H. Ungar re , Keith A. Cengel una ,
Daniel A. Pryma mi , Chidambaram Chinniah F , Abigail T. Berman una , Sharyn I. Katz mi , Despina Kontos mi ,
Charles B. Simone II sol , Eric S. Diffenderfer una
una Departamento de Oncología Radioterápica, Universidad de Pensilvania, Centro Perelman de Medicina Avanzada, 3400 Civic Center Blvd, Filadelfia, PA 19104, Estados Unidos
si Departamento de Oncología Radioterápica, Centro Médico de Asuntos de Veteranos Hunter Holmes McGuire, 1201 Broad Rock Blvd, Richmond, VA 23249, Estados Unidos
C Departamento de Bioestadística y Epidemiología, Universidad de Pensilvania, 423 Guardian Dr, Filadelfia, PA 19104, Estados Unidos
re Departamento de Informática y Ciencias de la Información, Universidad de Pensilvania, 3330 Walnut St, Filadelfia, PA 19104, Estados Unidos
mi Departamento de Radiología, Universidad de Pennsylvania, 3400 Spruce St, Filadelfia, PA 19104, Estados Unidos
F Albany Medical College, 43 New Scotland Ave, Albany, NY 12208, Estados Unidos
sol Departamento de Oncología Radioterápica, Centro de Protones de Nueva York, 225 East 126 th St, Nueva York, NY 10035, Estados Unidos
Historia del articulo: Antecedentes y objetivo: La esofagitis por radiación es una toxicidad clínicamente importante observada con el tratamiento del cáncer de pulmón de células
Recibido el 16 de diciembre de 2019 Revisado el 17 de
no pequeñas localmente avanzado. Existe un desacuerdo considerable entre los estudios previos en la identificación de predictores de esofagitis por
marzo de 2020 Aceptado el 21 de marzo de 2020
radiación. Aplicamos algoritmos de aprendizaje automático para identificar los factores que contribuyen al desarrollo de la esofagitis por radiación para
Disponible en línea el 24 de marzo de 2020
descubrir criterios previamente no identificados y factores dosimétricos más sólidos.
Materiales y métodos: Utilizamos enfoques de aprendizaje automático para identificar predictores de esofagitis por radiación de grado 3 en una
Palabras claves:
cohorte de 202 pacientes consecutivos de cáncer de pulmón de células no pequeñas localmente avanzados tratados con quimiorradiación definitiva
Esofagitis por radiación
de 2008 a 2016. Evaluamos 35 características clínicas por paciente agrupadas en factores de riesgo, comorbilidades, imagenología, estadio,
Aprendizaje automático
Cáncer de pulmón de células no pequeñas
histología, radioterapia, quimioterapia y dosimetría. Los análisis univariados y multivariados se realizaron utilizando un panel de 11 algoritmos de
Radioterapia de intensidad modulada Terapia con haz Resultados: Todos los pacientes fueron tratados con una dosis media de 66,6 Gy a 1,8 Gy por fracción utilizando fototerapia con fotón (89,6%) y protón
de protones (10,4%), la mayoría de las veces con quimioterapia concurrente (86,6%). 11.4% de los pacientes desarrollaron grado 3 esofagitis por radiación. En el análisis
univariado, no se encontró ninguna característica individual para predecir la esofagitis por radiación (rango de AUC 0.45–0.55, p 0,07). En el análisis
multivariante, todos los algoritmos de aprendizaje automático exhibieron un pobre desempeño predictivo (rango AUC 0.46–0.56, p 0,07).
Conclusiones: Los algoritmos contemporáneos de aprendizaje automático aplicados a nuestra cohorte institucional moderna y relativamente grande no
pudieron identificar ningún predictor confiable de grado 3 esofagitis por radiación. Se necesitan pacientes adicionales, y se deben investigar nuevas
características específicas del paciente y del tratamiento para desarrollar métodos clínicamente significativos para mitigar esta toxicidad que altera la
supervivencia.
2020 El autor (es). Publicado por Elsevier BV en nombre de la Sociedad Europea de Radioterapia y Oncología. Este es un artículo de
acceso abierto bajo la licencia CC BY-NC-ND ( http://creativecommons.org/
licencias / by-nc-nd / 4.0 / )
1. Introducción
La esofagitis por radiación severa es una toxicidad clínicamente importante que surge con
frecuencia durante el tratamiento del cáncer de pulmón de células no pequeñas localmente avanzado
⇑ Autor para correspondencia en: Bldg 421, SCTR 8-130, 3400 Civic Center Blvd, Philadelphia, PA 19104, (CPCNP-LA) [1–3] . La esofagitis por radiación aguda puede estar presente como disfagia, odinofagia,
Estados Unidos. dolor torácico esternal o epigástrico, o espasmos, que pueden influir directamente en el paciente.
Dirección de correo electrónico: jose.luna@pennmedicine.upenn.edu (JM Luna)
1 Estos autores contribuyeron igualmente a este trabajo.
2 Estos autores fueron responsables de los análisis estadísticos.
https://doi.org/10.1016/j.ctro.2020.03.007
2405-6308 / 2020 El autor (es). Publicado por Elsevier BV en nombre de la Sociedad Europea de Radioterapia y Oncología. Este es un artículo de acceso abierto bajo la licencia
CC BY-NC-ND ( http://creativecommons.org/licenses/by-nc-nd/4.0/ )
70 JM Luna y col. / Oncología de radiación clínica y traslacional 22 (2020) 69–75
calidad de vida [4] , o como hemorragia esofágica aguda o tardía, perforación o fístulas, que pueden se calcularon usando el algoritmo de superposición de convolución de protones (Varian Medical
poner en peligro la vida [5] . Systems, Palo Alto, CA, EE. UU.), y para los cálculos de dosis IMRT con correcciones de
La incidencia estimada de esta toxicidad oscila entre el 7 y el 25% en pacientes que reciben heterogeneidad se usaron el algoritmo analítico anisotrópico (fotones). Este conjunto de parámetros
quimiorradiación definitiva de atención estándar. [6–9] de dosis y características clínicas fue discutido y seleccionado exhaustivamente por tres oncólogos
y desarrollo de alto grado ( 3) la esofagitis por radiación puede requerir intervenciones como de radiación torácica altamente certificados y certificados por la junta (CBS, ATB, KAC) en nuestra
medicamentos analgésicos, retrasos / interrupciones del tratamiento, hospitalizaciones y institución en función de su experiencia, las mejores prácticas clínicas y las pautas nacionales
dependencia permanente de la sonda de alimentación [10] . Los esfuerzos previos dirigidos a mejorar actuales de tratamiento.
la supervivencia de LA-NSCLC usando el aumento de la dosis de radiación no tuvieron éxito
probablemente en parte debido a la toxicidad limitante de la dosis de la esofagitis por radiación. En
ensayos clínicos aleatorizados multiinstitucionales anteriores, se demostró que la esofagitis por
radiación de alto grado afecta negativamente la supervivencia general (SG) [7,11] , destacando la
2.3. Imputación de valores perdidos
importancia de mitigar esta toxicidad. Los intentos anteriores para identificar predictores de esofagitis
han identificado la importancia de factores como la quimioterapia concurrente, la intensificación de la
Los valores faltantes se imputaron usando la regresión de puntajes recortados (TSR), un método
dosis de radiación y los factores dosimétricos / volumétricos relacionados con el esófago, pero
que se ajusta a los modelos de análisis de componentes principales (PCA) de manera iterativa,
existen datos contradictorios sobre los predictores, especialmente en términos de restricciones de
explotando así la relación estadística entre las características [19] . Esta imputación se basa en los
dosis. [1,9,12-18] . Como tal, actualmente no hay consenso para predecir y prevenir la esofagitis por
primeros cuatro componentes principales, que para esta cohorte explican el 95.84% de la varianza
radiación con respecto a los umbrales óptimos para los criterios de volumen, los criterios de
de los datos. Más detalles sobre la selección de la imputación de TSR en la Sección S3 del Apéndice
dosis-volumen, la modalidad de tratamiento con radiación o la importancia comparativa de estos
SI.
factores. Este estudio tiene como objetivo emplear técnicas de aprendizaje automático para
identificar los predictores críticos de toxicidad esofágica y su importancia comparativa para informar
la toma de decisiones clínicas. Aquí, analizamos 35 variables continuas y categóricas extraídas de la
2.4. Análisis univariado
literatura anterior como predictores de grado 3 esofagitis por radiación en una gran cohorte
institucional de 202 pacientes con LA-NSCLC tratados consecutivamente. Aplicamos tres variantes
En base a las dos clases etiquetadas (esofagitis / no esofagitis) en nuestra cohorte, realizamos
de un panel de 11 técnicas de aprendizaje automático para identificar de manera sólida los factores
una prueba de suma de rangos de Wilcoxon para cada predictor continuo, así como un v 2 prueba
predictivos importantes en el desarrollo de la calificación. 3 esofagitis por radiación.
para cada predictor categórico. Se estimó la significación estadística (valor p) de la separación entre
las dos clases por cada predictor. Debido a la corrección de Bonferroni de una tasa de error familiar
del 5%, el nivel de significación una ¼ 0: 002 se usó para comparaciones múltiples. Los índices de
rendimiento promedio, específicamente, precisión equilibrada (BACC)
[20] , la característica de funcionamiento del receptor (ROC), el área bajo la curva ROC (AUC) se
estimaron. BACC se define como el promedio entre sensibilidad y especificidad, y se usa
2. Métodos y materiales. comúnmente para calcular el rendimiento en dominios desequilibrados de dos clases. Los intervalos
de confianza del 95% de las mediciones de rendimiento promedio (es decir, BACC y AUC) se
2.1. Cohorte de pacientes calcularon utilizando estimaciones validadas cruzadas como muestras bootstrap y utilizando la
aproximación estándar basada en la distribución t. Se usaron un total de 500,000 réplicas de
Con la aprobación de la junta de revisión institucional (protocolo Penn IRB arranque para estimar los intervalos de confianza. Todos los análisis se implementaron utilizando la
# #832329), identificamos una cohorte de 202 pacientes consecutivos con LA-NSCLC en estadio II-III Caja de herramientas de estadísticas y aprendizaje automático de Matlab R2018b (MathWorks,
confirmado histológicamente (7ª edición de AJCC) tratados en nuestra institución con Santa Clara, CA, EE. UU.) [21] . Además, se calcularon los coeficientes de correlación de Pearson
quimiorradiación secuencial o concurrente con regímenes que contienen platino entre 2008 y 2016. para evaluar posibles factores de confusión asociados con la esofagitis por radiación.
Los pacientes recibieron tratamiento utilizando terapia con haz de protones (PBT) o tratamiento de
radiación de intensidad modulada (IMRT) con radiografías. La esofagitis por radiación se calificó
según los criterios terminológicos comunes para eventos adversos (CTCAEv4.0).
Aproximación basada en la distribución t con 500,000 réplicas de arranque. Aseguramos que las cada algoritmo entre las dos clases etiquetadas (esofagitis / no esofagitis).
observaciones utilizadas en la optimización de hiperparámetros nunca aparecen en el conjunto de
prueba de remuestreo externo, reduciendo así el ajuste excesivo del modelo. La lista de
hiperparámetros ajustados por cada algoritmo implementado se muestra en Tabla S1 . Este análisis 3. Resultados
corresponde al desarrollo y validación de un modelo predictivo usando remuestreo o análisis tipo 1b
como se especifica en Collins et al, 2015 [28] . Las etapas implementadas del remuestreo anidado se 3.1. Características y resultados del paciente.
ilustran en el flujo de trabajo que se muestra en Figura 1 . En el muestreo interno para cada algoritmo
de aprendizaje automático, se construye un modelo por pliegue, para un total de cinco modelos. Las características de los 202 pacientes consecutivos con adenocarcinoma que fueron tratados
Luego, se seleccionan los hiperparámetros del modelo con el BACC más alto calculado a través de la en nuestro centro con quimiorradiación e incluidos en el análisis actual se proporcionan en Tablas 1 y
búsqueda de cuadrícula, y el rendimiento de dicho modelo (es decir, BACC y AUC) se evalúa 2 . Los pacientes fueron tratados homogéneamente a una dosis media de
posteriormente en el conjunto de prueba respectivo durante el remuestreo externo.
66,6 Gy a 1,8 Gy por fracción (rango 64,8–66,6 Gy a 1,8 Gy por fracción). La mediana de edad de la
cohorte fue de 64 años (rango 56–
73) La radiación se administró principalmente con IMRT (89,6%), y una minoría recibió terapia con
haz de protones (10,4%). En general, el 86.6% de los pacientes recibió quimioterapia concurrente,
Para una mayor exploración del poder de predicción de los algoritmos, se propusieron tres siendo el régimen más común una combinación de doblete a base de carboplatino (51.5%), seguido
variantes de los experimentos: por un doblete a base de cisplatino (34.7%).
1. Evaluación del poder predictivo utilizando los 35 predictores. En una mediana de seguimiento de 22.6 meses (rango de 1-88 meses), los pacientes tuvieron
2. Evaluación de potencia predictiva utilizando la selección de características secuenciales hacia atrás (BSFS). una mediana de SG de 23.5 meses, SG a 1 año de 75.0%, SG a 2 años de 49.0% y SG a 5 años de
12.0%, todos calculado a partir de una parcela de Kaplan-Meier. Dentro de la cohorte, 23 pacientes
3. Evaluación predictiva del poder utilizando la técnica de sobremuestreo de minorías sintéticas (11,4%) desarrollaron grado 3 esofagitis por radiación.
(SMOTE) [29] y BSFS.
El poder predictivo que usa las AUC, así como los valores asociados y el BACC óptimo para
todos los clasificadores se resumen en
Tabla 4 . En el primer experimento donde entrenamos los 11 algoritmos
Muestreo anidado
Muestreo externo de 5
Muestreo interno de 5
veces la validación
veces la validación Modelo con
cruzada
cruzada? mejor BACC
(remuestreo
interno)
AUC
Rendimiento fuera de
Datos BACC CI
Hiperparámetro muestra Es? Ma?
Valor P
Afinación On
Selección de funciones
Figura 1. Análisis de flujo multivariado. Diagrama que ilustra el flujo de trabajo mediante el cual los datos de entrada se vuelven a muestrear paso a paso para estimar el rendimiento del modelo para la predicción de la esofagitis por radiación.
72 JM Luna y col. / Oncología de radiación clínica y traslacional 22 (2020) 69–75
utilizando el conjunto completo de 35 predictores, ninguno de los algoritmos que combinan el efecto Tabla 2
Resumen de las características numéricas del paciente. Descripción de las características numéricas de la cohorte
de todas las funciones disponibles podría predecir la calificación 3 esofagitis por radiación con una
con sus respectivos rangos medio e intercuartílico.
mediana de AUC = 0.50 (rango
0.45–0.54) y p 0.09 en todos los algoritmos (tercio superior de Predictores continuos Mediana Rango
Tabla 4 ) En el segundo experimento en el que se implementó BSFS en el muestreo interno, una AUC Edad (años) 64 (56-73)
mediana = 0,52 (rango 0,49– Pack-Year (fumadores actuales / anteriores) 35 (14,5–50)
IMC (kg / m 2) 26,0 (23.0–30.0)
0,56) y p 0.25 en todos los algoritmos de aprendizaje automático muestran que los algoritmos no
Dosis de radiación administrada (Gy) 66,6 (64,8–66,6)
pueden funcionar mejor que un clasificador aleatorio (tercio medio de Tabla 4 ) Evidencia la falta de
Dosis por fracción (Gy) 1.8 (1.8–1.8)
capacidad de las características combinadas actuales para separar la esofagitis por radiación de Dosis media del esófago (Gy) 24,5 (18,3–31,9)
grado 3, incluso cuando se contrarresta la confusión mediante la selección de características. Se Dosis máxima de esófago (Gy) 69,4 (65,4–72,4)
eligió BSFS sobre la selección de características secuenciales hacia adelante (FSFS) debido a su
Rango intercuartil.
rendimiento predictivo superior mediante regresión logística en nuestra cohorte ( Fig. S2 ) En el último
conjunto de experimentos, donde se implementó SMOTE, una mediana AUC = 0.49 (rango
N1 12 5.9
N2 126 62,4
N3 48 23,8 2 radiaciones
Histología Adenocarcinoma 202 100,0
la esofagitis observó tasas de toxicidad superiores al 50% [9,10,35] . Otro desafío inherente al uso de
Modalidad de radiación Fotón (IMRT) 181 89,6
Protón 21 10,4
herramientas de aprendizaje automático para identificar factores predictivos es identificar falsamente
Quimioterapia Concurrente 176 86,6 factores significativos debido al sobreajuste. También buscamos mejorar la robustez de nuestros
Secuencial 21 10,4 modelos de aprendizaje automático mediante el uso de selección secuencial de características y
Ninguna 55 3.0
remuestreo utilizando BSFS y SMOTE. Además atribuimos la diferencia en los resultados entre
Quimioterapia Doblete a base de 104 51,5
nuestros modelos actuales y la literatura previa a una combinación de los diferentes criterios de
Agentes carboplatino
Doblete a base de cisplatino 70 34,7 valoración de toxicidad evaluados (grado
Triplete a base de platino 66 3.0
Agente único 2 1.0 3 vs. grado 2), varianza en tecnología de radiación
Otro 20 9,9
niques e implementación de remuestreo. Publicado previamente
JM Luna y col. / Oncología de radiación clínica y traslacional 22 (2020) 69–75 73
EsoV60
en
ad
3
ed
G
EC
de
O
or
EC
)
la
o
os
(L
nt
um
Es 0
Es 0
60
Lu V5
V5
oM x
Lu 10
Es 0
ea 0
ea 0
n
añ
)
ld
o
ie
5
n
a
T s
n
dx
V2
V3
V5
Lu tV6
ea
ui
is
oV
oV
oV
oM
ea
-R ne
ng
m
ea
ta
rt
V
)T
de
os
q
to
ta
ea
ng
ng
rt
rt
n
on
M
st cio
Es
r
Lu
es de de d
ed
(e
ra
e
ea
o
ng
rt
br
et
añ
Es
lt
Po ac
pr
C
ea
H
qu
n
a
al
M
es fr
Ta
H
o
Pa
(%
ci
io
I
ac
ev
ev
fr
pr
pr
m #
LC
)
o
m
al
ic
-D
re
(c
st
nó
im
Lo FT
EV
ag
D
-F
P
di
ng
T
PF
io
ar
im
pr
Figura 2. Mapa de calor de correlación de características. Mapa de calor, que ilustra la correlación de Pearson entre las características continuas en estudio.
Los informes que utilizan modelos desarrollados con una mediana de tamaño de cohorte de 141
Tabla 3 (muy por debajo de nuestra cohorte real) y una tasa media de esofagitis por radiación de 11.1%,
Análisis univariado. Rendimiento predictivo para características individuales usando análisis AUC con su respectiva significación
utilizaron enfoques de regresión logística
usando la prueba de suma de rango de Wilcoxon (características continuas) y v 2 ( características categóricas). Ninguna de las
[1,9,12,17,31,32,34,36,37,39] , mientras que otros estudios se ajustarían a los modelos de
características puede predecir el grado 3 RE utilizando la corrección de Bonferroni ( una ¼ 0: 002) para comparación múltiple.
Lyman-Kutcher-Burman (LKB), ambos utilizando cohortes de la era anterior a la IMRT [14,33] , que
puede no reflejar los riesgos actuales de toxicidad inducida por la radiación en un entorno
Característica AUC § Valor p
contemporáneo. Un estudio más reciente utilizó la regularización de lazo usando una cohorte más
Etapa T 0.41 (0.28,0.55) 0,07
pequeña de 94 pacientes, donde el 16% desarrolló esofagitis por radiación. [35] . Finalmente, algunos
Pulmón V20 0.39 (0.27,0.52) 0,09
estudios con cohortes considerablemente más grandes se limitan a pacientes con radioterapia
IMC 0.61 (0.48,0.72) 0,09
Pack años 0.40 (0.29,0.52) 0,12 conforme y / o un número bastante pequeño de pacientes con IMRT [9,14] . Hasta donde sabemos,
Concurrente v secuencial 0.57 (0.55,0.60) 0,15 este es el primer estudio con una cohorte relativamente grande que utiliza técnicas sofisticadas de
Eso V60 0.59 (0.47,0.70) 0,16 aprendizaje automático para identificar predictores de esofagitis por radiación de grado 3.
Media pulmonar 0.41 (0.30,0.54) 0,16
Dosis total 0.42 (0.31,0.55) 0,18
Corazón malo 0.58 (0.43,0.71) 0.23
Agentes Drogas 0.43 (0.33,0.54) 0.25
Heart V30 0.57 (0.43,0.70) 0.28 La esofagitis por radiación ha sido una entidad difícil de predecir, que se refleja en la varianza de
Pre tratamiento ECOG 0.56 (0.43,0.68) 0,31
las restricciones dosimétricas esofágicas empleadas en ensayos aleatorizados prospectivos
Sexo 0.56 (0.44,0.65) 0,32
nacionales recientes en LA-NSCLC. Entre los dos ensayos aleatorizados de fase III de oncología
Eso Max 0.44 (0.33,0.56) 0,33
Eso V50 0.56 (0.44,0.67) 0,34 NRG más recientes para LA-NSCLC, RTOG 0617 [7] restricción recomendada de una media de eso
Etnicidad 0.45 (0.37,0.58) 0,34 por debajo de 34 Gy y para registrar eso V60 sin restricción de dosis requerida, mientras que RTOG
Eso V40 0.56 (0.43,0.67) 0,38 1308 [40] , el ensayo prospectivo que actualmente se inscribe que compara la radioterapia con
Etapa N 0.55 (0.45,0.62) 0,38
protones versus fotones, estableció una restricción por protocolo de un eso max de 74 Gy a 1 cc de
Corazón v5 0.55 (0.41,0.69) 0,42
la circunferencia parcial sin retener ninguna de las restricciones anteriores de RTOG 0617. Esto
Heart V60 0.55 (0.41,0.67) 0,43
Mejor etapa CS AJCC 0.43 (0.32,0.54) 0,44 contrasta con las restricciones pulmonares, que se han mantenido relativamente constantes en estos
Heart V50 0.55 (0.41,0.67) 0,48 ensayos.
Edad al diagnóstico 0.46 (0.36,0.57) 0,52
Pulmón V10 0.46 (0.33,0.58) 0,52
Nr de fracciones 0.46 (0.37,0.59) 0,55
Eso significa 0,54 (0,41,0,66) 0,55
Grado de diferenciación 0.45 (0.36,0.56) 0,56 Un metaanálisis anterior centrado en el desarrollo de esofagitis por radiación. [9] ilustra algunos
Tamaño de fracción 0.53 (0.41,0.61) 0,57 de los desafíos potenciales para identificar predictores confiables. De manera similar a nuestro
PFT DLCO pred 0.47 (0.36,0.59) 0,63
análisis, muchos factores clínicos y dosimétricos están asociados con la toxicidad de la esofagitis por
Linac 0.51 (0.46,0.62) 0,66
radiación, con más características asociadas con el grado 2 que con el grado 3 esofagitis por
Protón 0.49 (0.38,0.54) 0,66
Pulmón V5 0.47 (0.34,0.60) 0,67 radiación. Sin embargo, cuando estas características se usan como predictores, en general
PFT Pre Bronch Actual FEV1 L 0.52 (0.40,0.63) 0,76 funcionan mal con estadísticas C por debajo de 0.6. Curiosamente, eso V60 fue identificado como un
Tumor primario Largo Dim cm 0.48 (0.35,0.61) 0,78
ECOG 3 meses Post-RT 0.49 (0.37,0.61) 0,85
Tabla 4
Analisis multivariable. Rendimiento predictivo combinado de características utilizando 11 modelos estadísticos con tres variantes, a saber, a) 35 características artesanales, b) BSFS yc) BSFS y SMOTE. Ninguno de los modelos puede predecir la calificación. 3
RE utilizando la corrección de Bonferroni ( una ¼ 0: 002) para comparación múltiple.
predictor confiable de grado 3 esofagitis por radiación en [9] . Esta serie representa una cohorte La mación está disponible en nuestra institución. Sin embargo, este análisis de una sola institución
mayor de pacientes tratados desde 1993 hasta nos permite una uniformidad comparativa en la población de pacientes y minimiza la heterogeneidad
2011, que puede contribuir a algunos de los hallazgos discrepantes. Además, ninguno de los eso potencial en la población evaluada. También vale la pena señalar que nuestra cohorte es la más
V40, V50 ni V60 fueron identificados como un predictor importante en nuestro estudio (ver Tabla 3 ) utilizada en un análisis IMRT moderno de grado> 3 RE en pacientes con CPCNP en estadio II-III
Dado el resultado de nuestro análisis de aprendizaje automático de que ninguna de las 35 realizados hasta la fecha.
características analizadas funcionó mejor que un clasificador aleatorio, esto sugiere que nuestras
características clínicas, demográficas y dosimétricas utilizadas actualmente podrían ser inadecuadas
para predecir de manera confiable la esofagitis por radiación. Se puede concluir que actualmente no
5. Conclusiones
estamos recopilando y capturando las características apropiadas para permitir que un flujo de trabajo
de aprendizaje automático prediga la esofagitis por radiación de grado 3, como pudimos hacer con
De nuestro análisis, concluimos que los predictores actuales para la esofagitis por radiación de
éxito cuando utilizamos el aprendizaje automático para predecir la neumonitis en LA-NSCLC [41]
alto grado no son confiables y que es necesaria una investigación continua para desarrollar métricas
clínicamente útiles para la prevención de esta toxicidad perjudicial asociada con la supervivencia
general. Informar e identificar variables más sólidas será de importancia crítica para futuros estudios.
Los médicos deben emplear una toma de decisiones individualizada centrada en el paciente en
y toxicidad de la pared torácica en la etapa temprana de NSCLC [42] . Como tal, alentamos a otros
términos de regímenes de tratamiento y mitigación de toxicidad hasta que se puedan identificar
investigadores a explorar y desarrollar nuevos marcadores dirigidos a esta toxicidad. Esto puede
predictores confiables de esofagitis por radiación.
incluir una utilización más generalizada de biomarcadores o características compuestas para generar
el poder y la granularidad apropiados para capturar adecuadamente la esofagitis por radiación.
nuestra agenda de investigación futura, así como el aumento prospectivo del tamaño de la cohorte a
medida que más información del paciente Si un investigador desea investigar este conjunto de datos, se realizarán esfuerzos para
establecer un acuerdo de transferencia de material y la aprobación del IRB para compartir los datos.
JM Luna y col. / Oncología de radiación clínica y traslacional 22 (2020) 69–75 75
Apéndice A. Datos suplementarios [20] Brodersen KH, Ong CS, Stephan KE, Buhmann JM. La precisión equilibrada y
su distribución posterior Proc - Int Conf Pattern Recognit 2010: 3121–4.
https://doi.org/10.1109/ICPR.2010.764 .
Los datos complementarios de este artículo se pueden encontrar en línea en [21] MathWorks. Capítulo 23: Aprendiz de clasificación. Stat. Mach. Aprender. Caja de herramientas