El cáncer colorrectal (CCR) constituye una de las principales causas de morbimortalidad a nivel mundial, posicionándose como el tercer tipo de cáncer más frecuente y la segunda causa de muerte por cáncer. Dentro de esta entidad, el cáncer de colon derecho (CCD) se distingue por presentar características clínicas, moleculares y pronósticas particulares respecto del colon izquierdo, incluyendo un comportamiento más agresivo y una mayor propensión a recurrencia sistémica1,2. Las tasas de recurrencia —local o a distancia— en CCD oscilan entre el 10 y el 30% según diferentes series internacionales, condicionadas por el estadio patológico, la calidad de la resección quirúrgica y la presencia de factores histológicos adversos3.

La identificación precoz de los pacientes con alto riesgo de recurrencia a distancia es fundamental para guiar estrategias de seguimiento posoperatorio, individualizar la indicación de tratamientos adyuvantes y mejorar los desenlaces oncológicos a largo plazo. En este sentido, el desarrollo de herramientas predictivas confiables representa una prioridad clínica.

Los avances recientes en técnicas de aprendizaje automático (AA) han permitido construir modelos predictivos más precisos que los métodos estadísticos convencionales, al ser capaces de integrar simultáneamente múltiples variables clínicas, patológicas e incluso moleculares4,5. Algoritmos como random forest (RF) han demostrado alta eficacia para clasificar y predecir eventos clínicos en oncología, destacando por su resistencia al sobreajuste, su robustez ante datos desbalanceados y su capacidad para capturar relaciones no lineales entre predictores6,7. Además, tienen el valor añadido de identificar variables accesibles desde la práctica clínica como sustitutos indirectos de la agresividad tumoral o de la carga biológica de la enfermedad, incluso en ausencia de estadificación TNM completa.

En este contexto, resulta clínicamente pertinente explorar si las variables de obtención rutinaria como edad, sexo, número de ganglios evaluados e invasión linfovascular pueden ser integradas en modelos predictivos para anticipar la recurrencia a distancia en los pacientes con CCD8,9. La incorporación de estos modelos, sustentados en AA, podría aportar una herramienta adicional de estratificación individual del riesgo, orientando una medicina personalizada más precisa y eficiente. Por lo tanto, el objetivo de este estudio fue desarrollar y validar internamente un modelo de predicción de recurrencia a distancia en CCD, utilizando el algoritmo RF a partir de variables clínicas e histopatológicas recolectadas en un centro especializado.

Se llevó a cabo un estudio observacional retrospectivo en un solo centro, con el objetivo de identificar factores asociados a la recurrencia del CCD y construir un modelo predictivo basado en AA. El periodo de inclusión abarcó de 2016 a 2024, e incorporó un total de 64 pacientes con diagnóstico confirmado de CCR derecho. El presente manuscrito fue elaborado conforme a los lineamientos de la guía Strengthening the Reporting of Observational Studies in Epidemiology (STROBE), con el propósito de asegurar transparencia metodológica y validez interna.

Todos los pacientes fueron sometidos a cirugía con intención curativa en el mismo centro, siguiendo criterios homogéneos de tratamiento quirúrgico y vigilancia oncológica. Se excluyeron aquellos con cirugía paliativa, enfermedad metastásica al momento del diagnóstico, enfermedad residual o información clínico-patológica incompleta. Los tumores estuvieron localizados exclusivamente en colon derecho (ciego, colon ascendente o ángulo hepático). Esto permitió conformar una cohorte clínicamente homogénea.

Se incluyeron inicialmente las siguientes variables clínico-patológicas: edad (años), sexo (masculino/femenino), invasión linfática, invasión vascular, invasión perineural, grado histológico, estado de los márgenes quirúrgicos, número total de ganglios linfáticos evaluados, así como la estadificación TNM reconstruida retrospectivamente a partir de los componentes T, N y M. Estas variables fueron seleccionadas por su relevancia clínica y epidemiológica previamente reportada en relación con recurrencia tumoral.

Se consideraron únicamente a los pacientes con seguimiento clínico mínimo de 24 meses, o con recurrencia a distancia documentada antes de ese umbral. La recurrencia se definió operativamente como la detección de enfermedad a distancia igual o superior a los 6 meses posteriores a la cirugía, confirmada mediante estudios de imagen. Este umbral temporal fue adoptado para evitar la inclusión de enfermedad residual, siguiendo criterios empleados en literatura reciente. Las recurrencias identificadas antes de los 6 meses fueron clasificadas como enfermedad residual y, por lo tanto, excluidas del análisis.

Se incluyeron 64 pacientes con diagnóstico confirmado de CCD operados con intención curativa. Todos contaban con seguimiento oncológico mínimo de 24 meses o presentaron recurrencia documentada dentro de ese periodo. El desenlace primario fue la recurrencia a distancia, definida como aquella confirmada por estudios de imagen a partir de los 6 meses posteriores a la cirugía.

El modelo predictivo desarrollado mediante el algoritmo RF alcanzó una precisión global del 95% en el conjunto de prueba. La curva ROC mostró un AUC de 0.76, lo que indica una capacidad discriminativa aceptable para identificar los pacientes con alto riesgo de recurrencia a distancia (fig. 1). En términos clínicos, esto implica una probabilidad del 76% de que el modelo clasifique correctamente a un paciente con recurrencia frente a uno sin recurrencia.

Figura 1.

Curva ROC del modelo random forest simplificado. Representación de la sensibilidad frente a 1 - especificidad. El área bajo la curva (AUC) fue de 0.76 en el conjunto de la prueba, lo que refleja una buena capacidad discriminativa para identificar los pacientes con recurrencia a distancia.

El análisis de importancia de variables reveló que el predictor más influyente fue la menor cosecha ganglionar (valor inverso del número de ganglios evaluados), con una importancia relativa de 0.44. Le siguieron la edad (0.35), la invasión linfática/vascular (0.15) y el sexo masculino (0.06) (figs. 2 y 3). Este hallazgo refuerza la interpretación clínica de que una menor cantidad de ganglios linfáticos evaluados se asocia con mayor riesgo de recurrencia tumoral.

Figura 2.

Importancia de las variables en el modelo random forest. La barra horizontal representa la importancia relativa de cada variable en la predicción de recurrencia a distancia. La menor cosecha ganglionar (inverso del número de ganglios linfáticos recabados) fue el predictor más influyente, seguida por la edad, la invasión linfática/vascular y el sexo masculino.

Figura 3.

Importancia acumulada de las variables en el modelo random forest. Distribución proporcional de la contribución de cada variable al desempeño global del modelo. La menor cosecha ganglionar aportó el 44% de la capacidad predictiva total, mientras que edad, invasión linfática/vascular y sexo masculino representaron el resto de la varianza explicada.

Para optimizar la aplicabilidad del modelo, se construyó una versión simplificada basada exclusivamente en estas cuatro variables. Este modelo redujo la complejidad sin sacrificar precisión, alcanzando una precisión del 95%, sensibilidad del 75%, especificidad del 100%, y un F1 score de 0.86. La validación cruzada estratificada (5-fold) mostró un AUC promedio de 0.81, con baja desviación estándar, lo que indica consistencia del desempeño en múltiples subconjuntos de datos (fig. 4), siendo finalmente AUC de 0.76 en test set y AUC promedio de 0.81 en validación cruzada.

Figura 4.

Resultados de validación cruzada del modelo random forest simplificado. Precisión obtenida en cada uno de los 5 folds de validación cruzada estratificada. El modelo mostró una precisión media del 95%, con AUC promedio de 0.81 y estabilidad entre iteraciones, lo que respalda su reproducibilidad y robustez a pesar del tamaño muestral limitado.

En contraste, un modelo construido exclusivamente con la estadificación TNM como única variable obtuvo un AUC de 0.438, con sensibilidad del 0% y F1 score de 0.0, reflejando un valor predictivo nulo. Incluso al integrar la clasificación TNM con otras variables clínicas, el modelo solo alcanzó un AUC de 0.77 y una sensibilidad del 25%. Estos resultados contrastan con el desempeño del modelo clínico simplificado, que superó de forma significativa a la estadificación anatómica convencional en todas las métricas evaluadas.

El objetivo de este estudio fue desarrollar un modelo clínico predictivo, utilizando AA, para anticipar la recurrencia a distancia en CCD. Los resultados obtenidos muestran que los hallazgos de este estudio demuestran que el modelo basado en RF ofrece un desempeño robusto para predecir la recurrencia a distancia en los pacientes con CCD. El modelo simplificado, compuesto por variables clínico-patológicas rutinarias, alcanzó una precisión general del 95%, una sensibilidad del 75%, especificidad del 100%, y un AUC de 0.76. Estos resultados reflejan una capacidad discriminativa adecuada y clínicamente útil, especialmente al considerar el tamaño muestral y la ausencia de estadificación TNM completa.

Las variables más relevantes identificadas por el modelo fueron: menor cosecha ganglionar, edad avanzada, presencia de invasión linfovascular y sexo masculino. Contrario a lo que sugieren los modelos tradicionales centrados en la positividad ganglionar, nuestro análisis identificó al número absoluto de ganglios linfáticos evaluados como el predictor más influyente. Esta variable podría reflejar no solo la calidad técnica de la cirugía o la agresividad tumoral, sino también aspectos inmunológicos o anatómicos que condicionan la cosecha ganglionar y, por extensión, el pronóstico del paciente.

Estudios previos de AA han reportado desempeños superiores al TNM. Por ejemplo, Liu et al. (2023) lograron un AUC de 0.962 utilizando XGBoost para predecir recurrencia en CCR1. En nuestro estudio, el algoritmo RF logró resultados consistentes con menor complejidad computacional y mayor interpretabilidad clínica. Si bien el AUC fue inferior, esto puede atribuirse al tamaño de muestra y la selección estricta de variables fácilmente disponibles en la práctica clínica.

Desde el punto de vista de aplicabilidad, se construyó una escala clínica derivada del modelo simplificado. Esta permitió estratificar a los pacientes en 2 grupos de riesgo clínicamente diferenciables: bajo (0-10 puntos, recurrencia del 8.3%) y alto (11-20 puntos, recurrencia del 56.3%). La magnitud de la diferencia observada entre los grupos respalda la validez del modelo y su utilidad potencial como herramienta de apoyo para decisiones oncológicas individualizadas, incluyendo la intensificación del seguimiento o el planteamiento de estrategias terapéuticas adyuvantes.

En contraste, el modelo basado exclusivamente en la clasificación TNM mostró un desempeño limitado en nuestro análisis (AUC=0.438; sensibilidad=0%; F1 score=0.0). Incluso al combinarlo con variables clínicas, su capacidad predictiva continuó siendo inferior (AUC=0.77; sensibilidad=25%). Estos hallazgos se alinean con la evidencia actual, la cual respalda que, aunque la clasificación TNM es el estándar internacional para la estadificación y pronóstico en cáncer de colon, presenta limitaciones importantes en la predicción individual de desenlaces, particularmente recurrencia y supervivencia. Diversos estudios han demostrado que el desempeño predictivo del TNM es modesto cuando se utiliza de forma aislada; p. ej., el AUC para modelos basados exclusivamente en TNM suele oscilar entre 0.60 y 0.64, lo que indica una capacidad discriminativa limitada para predecir recurrencia o mortalidad a nivel individual10–12. Además, su sensibilidad para predecir recurrencia es subóptima, y los valores reportados en la literatura rara vez superan el 60%13.

La incorporación de variables clínicas adicionales (como edad, sexo, grado tumoral, número de ganglios examinados, invasión vascular/perineural y marcadores moleculares como MSI, BRAF y KRAS) ha demostrado mejorar significativamente la capacidad predictiva de los modelos. Al integrar estas variables, el AUC puede incrementarse hasta 0.71-0.74, con una mejora consistente en la concordancia de los modelos10,11,13. No obstante, incluso estos modelos multivariables tradicionales muestran limitaciones en la predicción individual.

En los últimos años, modelos basados en inteligencia artificial y AA han demostrado superar significativamente tanto al sistema TNM como a los modelos clínicos convencionales. Estos enfoques permiten integrar grandes volúmenes de datos clínicos, patológicos, moleculares e incluso imágenes histopatológicas, alcanzando AUC superiores (p. ej., entre 0.77 y 0.86) y mejorando la sensibilidad y precisión en la predicción de desenlaces oncológicos14,15. Además, la importancia relativa de la estadificación clínica tradicional tiende a disminuir cuando se emplean variables adicionales y técnicas avanzadas de modelado14,15.

Metodológicamente, se aplicaron estrategias robustas para mitigar el riesgo de sobreajuste, incluyendo: preselección de variables clínicamente relevantes, balanceo de clases por sobremuestreo, validación cruzada 5-fold, y diseño de un modelo simplificado con interpretabilidad clínica. La estabilidad del modelo fue confirmada con un AUC promedio de 0.81 en la validación cruzada.

Finalmente, se definió la recurrencia como nueva enfermedad detectada ≥6 meses después de la cirugía, en concordancia con estudios recientes que recomiendan este umbral para diferenciar recurrencia verdadera de enfermedad residual16. Esta definición fortalece la validez de los resultados y permite comparabilidad con la literatura internacional.

El modelo predictivo desarrollado mediante RF mostró un desempeño sólido para anticipar la recurrencia a distancia en los pacientes con CCD, con un AUC de 0.76, sensibilidad del 75% y especificidad del 100%. Las variables más relevantes fueron: menor cosecha ganglionar, edad, invasión linfovascular y sexo masculino.

A partir de estos hallazgos, se construyó una escala clínica simplificada que estratifica el riesgo de recurrencia en 2 niveles:

• •

  Bajo riesgo (0-10 puntos): recurrencia observada del 8.3%

• •

  Alto riesgo (11-20 puntos): recurrencia observada del 56.3%

Estos resultados respaldan el uso potencial de modelos de AA como herramientas clínicas accesibles para la estratificación individual del riesgo oncológico, superando la capacidad discriminativa de la estadificación TNM tradicional. El modelo fue validado internamente mediante validación cruzada estratificada, aunque se reconoce que su utilidad debe corroborarse externamente.

Este estudio no recibió financiación específica de entidades públicas, comerciales o sin fines de lucro.

Dado el carácter retrospectivo y observacional del estudio, basado en expedientes clínicos anonimizados, no se requirió consentimiento informado individual. Se garantizó en todo momento la confidencialidad y el cumplimiento de los principios éticos de la Declaración de Helsinki, así como la normativa nacional vigente en investigación en salud. El protocolo cumplió con los criterios establecidos por COFEPRIS y el Reglamento de la Ley General de Salud en materia de investigación científica.

Los autores declaran no tener ningún conflicto de intereses.