Modelo predictivo de recidiva precoz de carcinoma hepatocelular postrasplante basado en inteligencia artificial (redes bayesianas)

Introducción: El trasplante hepático es, en términos oncológicos, el mejor tratamiento para la curación del carcinoma hepatocelular (CHC) en estadios iniciales en pacientes con cirrosis. Sin embargo, la recurrencia tumoral sigue siendo una importante causa de pérdida del injerto y muerte del receptor. En concreto, las recidivas que se producen precozmente (en los dos primeros años después del trasplante) suponen la situación menos favorable desde el punto de vista de la utilización de los órganos, en una situación de relativa escasez de donantes. Paralelamente, se ha generado una creciente evidencia acerca del hecho de que la información meramente morfológica puede ser insuficiente para predecir el comportamiento oncológico del CHC y, por tanto, el riesgo de recurrencia. En el campo de la transplant oncology, la respuesta del CHC al tratamiento locorregional pretrasplante y los marcadores biológicos (como la alfafetoproteína) son fundamentales para completar la información sobre la biología tumoral y orientar con mayor precisión el riesgo de recurrencia de los pacientes. En este sentido los sistemas de inteligencia artificial y machine learning como las redes bayesianas pueden ayudar a modelizar una situación clínica de gran complejidad como es el comportamiento tumoral del CHC. Mediante el uso de este tipo de modelos predictivos, es posible identificar previamente al trasplante a aquellos pacientes con menor riesgo de recurrencia y seleccionar de forma adecuada a los candidatos para trasplante hepático, optimizando el uso de los injertos disponibles. Objetivo principal: Desarrollar un modelo predictivo basado en redes bayesianas para determinar la recidiva del carcinoma hepatocelular en los dos primeros años postrasplante, utilizando exclusivamente variables preoperatorias del receptor, tumor y donante. Objetivos secundarios: 1.Comparar la calidad predictiva del modelo desarrollado mediante redes bayesianas frente a un modelo estándar de regresión logística. 2.Validar el modelo predictivo elaborado en una serie ...