XGBoost: algoritmo de pronóstico en cáncer de tiroides

El cáncer de tiroides es uno de los cánceres endocrinos más comunes y su incidencia ha aumentado significativamente en las últimas décadas. 

La predicción temprana de la malignidad y la metástasis del cáncer de tiroides es crucial para una intervención médica oportuna y efectiva, y para mejorar el pronóstico del paciente. Recientemente, se ha utilizado el aprendizaje automático como una herramienta para predecir la malignidad y la metástasis del cáncer de tiroides.

En un estudio reciente, se utilizó un enfoque de aprendizaje automático para predecir la malignidad y la metástasis del cáncer de tiroides en base a datos clínicos y de imagen. Los investigadores reunieron información de 649 pacientes con cáncer de tiroides y entrenaron un modelo de aprendizaje automático para predecir la malignidad y la metástasis.

Los resultados mostraron que el modelo de aprendizaje automático tenía una precisión del 90% en la predicción de la malignidad y del 87% en la predicción de la metástasis. Además, el modelo pudo identificar características de imagen y clínicas importantes para la predicción de la malignidad y la metástasis del cáncer de tiroides, incluyendo la presencia de nódulos en la tiroides, el tamaño del nódulo y la presencia de calcificaciones.

Estos resultados sugieren que el enfoque de aprendizaje automático puede ser una herramienta útil para la predicción temprana de la malignidad y la metástasis del cáncer de tiroides, y puede ayudar en la toma de decisiones clínicas y en la mejora del pronóstico de los pacientes. Los médicos pueden utilizar estos modelos de aprendizaje automático para obtener una predicción más precisa de la malignidad y la metástasis del cáncer de tiroides, lo que puede ayudar en la planificación de la intervención médica y en la elección del tratamiento adecuado para cada paciente.

Para concluir, el uso de algoritmos de aprendizaje automático, como XGBoost, puede ser una herramienta valiosa en la predicción temprana de la malignidad y la metástasis del cáncer de tiroides. Los resultados del estudio demuestran que estos modelos pueden identificar características importantes en los datos clínicos e de imagen para la predicción precisa de la enfermedad. Al integrar estos modelos en la práctica clínica, los médicos pueden mejorar la toma de decisiones y la planificación del tratamiento, lo que a su vez puede mejorar el pronóstico de los pacientes. En definitiva, el aprendizaje automático se está convirtiendo en una herramienta cada vez más importante en el campo de la medicina, y los modelos de pronóstico basados en datos son solo uno de los muchos ejemplos de cómo la tecnología puede ser utilizada para mejorar la atención médica y los resultados para los pacientes.

QUIERES USAR ESTA HERRAMIENTA…

Accede a http://www.cancer-thyroid.com/  Ten en cuenta que al acceder a cada una de las secciones (diagnóstico, TI-RADS, Metastasis, Retrieve), se solicitarán datos de los resultados de análisis de los pacientes, para que el sistema pueda procesar basado en el algoritmo preestablecido y dar una respuesta automática. 

Gráfica 1. Screenshots del algoritmo en línea de predicción de malignidad y metástasis en cáncer de tiroides http://www.cancer-thyroid.com/ 

Si aún no tiene los datos de un paciente, podrá seleccionar el ejemplo 1, de muestra benigna, o el ejemplo 2, de muestra maligna. Los datos se cargan automáticamente.

Si quieres ser conferencista o mejorar tu desempeño como uno, descarga esta guía para que encuentres algunos consejos y trucos para lograr lo que todo speaker busca: ser memorable.

Referencias

1. Du L, Wang Y, Sun X, et al. Thyroid cancer: trends in incidence, mortality and clinical-pathological patterns in zhejiang province, southeast China. BMC Cancer (2018) 18:291. doi: 10.1186/s12885-018-4081-7
2. Bray F, Ferlay J, Soerjomataram I, et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin (2018) 68:394–424.
3. Masuda T, Nakaura T, Funama Y, et al. Machine learning to identify lymph node metastasis from thyroid cancer in patients undergoing contrast-enhanced CT studies. Radiography (2021) 27:920–6.
4. Wu Y, Rao K, Liu J, et al. Machine learning algorithms for the prediction of central lymph node metastasis in patients with papillary thyroid cancer. Front Endocrinol (2020) 11:577537.
5. Gu J, Xie R, Zhao Y, et al. A machine learning-based approach to predicting the malignant and metastasis of thyroid cancer. Front Oncol. 2022 Dec 19;12:938292.