Sugerencias
Idioma
Información de la revista
Vol. 91. Núm. 3.
Páginas 299-468 (Julio - Septiembre 2026)
Cita
Cita
Compartir
Descargar PDF
Más opciones de artículo
Visitas
557
Vol. 91. Núm. 3.
Páginas 299-468 (Julio - Septiembre 2026)
Carta al Editor
Acceso a texto completo

Respuesta a Therán-León, JS, «Análisis crítico del modelo predictivo de recurrencia en cáncer de colon derecho: hacia un reporte conforme a TRIPOD+AI y validación externa multicéntrica»

Response to Therán-León, JS, regarding “Critical appraisal of a machine-learning model for predicting right-sided colon cancer recurrence: Toward TRIPOD+AI-compliant reporting and multicenter external validation”
Visitas
557
R. Zayas-Bórquez, J. Canto-Losa, E. Posadas-Trujillo, N. Salgado-Nesme, O. Santes
Autor para correspondencia
oscar.santesj@incmnsz.mx

Autor para correspondencia. Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán. Vasco de Quiroga 15, Belisario Domínguez Sección XVI, Tlalpan, 14080 Ciudad de México, México. Teléfono: 55 5487 0900, extensión 2133.
Departamento de Cirugía Colorrectal, Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán, Ciudad de México, México
Este artículo ha recibido
Información del artículo
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Texto completo
A los Editores,

Agradecemos el interés de Therán-León et al. en nuestro estudio, y valoramos sus constructivos comentarios metodológicos. Coincidimos en que los modelos predictivos basados en aprendizaje automático deben interpretarse con cautela, especialmente cuando se desarrollan a partir de cohortes retrospectivas, unicéntricas y de tamaño limitado. Nuestro trabajo fue concebido como un estudio piloto, exploratorio y generador de hipótesis, cuyo objetivo principal fue evaluar la factibilidad de integrar variables clínico / patológicas de obtención rutinaria en un modelo preliminar de estratificación del riesgo de recurrencia a distancia en cáncer de colon derecho1.

En relación con el riesgo de sobreajuste y el tamaño de la muestra, compartimos la preocupación señalada. Conviene precisar, sin embargo, que el análisis presentado no consistió en la comparación empírica de múltiples algoritmos de aprendizaje automático, sino en el desarrollo de un modelo simplificado de random forest basado en 4 variables clínicamente interpretables y disponibles en la práctica habitual. Al tratarse de un estudio piloto retrospectivo, no se realizó un cálculo formal previo del tamaño muestral, y la muestra estuvo determinada por los casos que cumplieron los criterios de elegibilidad durante el periodo de estudio. Reconocemos que los criterios contemporáneos para determinar el tamaño muestral en modelos predictivos, como los propuestos por Riley et al., son fundamentales para la planificación de estudios confirmatorios y refuerzan la interpretación exploratoria de nuestros hallazgos2.

Para reducir el riesgo de optimismo estadístico, el modelo final se limitó a cuatro predictores clínicamente relevantes y fácilmente reproducibles: edad, sexo, invasión linfovascular y número de ganglios linfáticos evaluados. Asimismo, se emplearon estrategias internas de evaluación, incluyendo el balanceo de clases mediante sobremuestreo (upsampling), la validación cruzada estratificada de 5 pliegues (5-fold cross-validation) y el análisis de la curva de aprendizaje1. No obstante, reconocemos que estas medidas reducen, pero no eliminan, el riesgo de sobreajuste, particularmente en presencia de un número limitado de eventos. Por tanto, los resultados no deben interpretarse como evidencia definitiva de aplicabilidad clínica inmediata, sino como una aproximación inicial que requiere confirmación externa.

También consideramos pertinente la observación sobre el reporte conforme a la declaración TRIPOD+AI. Nuestro manuscrito fue elaborado siguiendo los lineamientos STROBE para estudios observacionales, como se señaló en la sección de métodos del artículo original1. Sin embargo, coincidimos en que TRIPOD+AI proporciona un marco más específico y completo para el reporte de modelos predictivos desarrollados mediante métodos de regresión o aprendizaje automático, por lo que deberá adoptarse de manera explícita en futuros reportes y estudios de validación del modelo3. Esto incluye una descripción detallada del preprocesamiento de los datos, el manejo de los datos faltantes, la estrategia de balanceo de clases, la reproducibilidad del flujo analítico y, cuando sea posible, la disponibilidad del código. En nuestro estudio, se excluyeron los pacientes con información clínico / patológica incompleta; no obstante, en estudios confirmatorios será necesario caracterizar con mayor detalle el patrón de los datos faltantes y su posible repercusión sobre el rendimiento del modelo.

Respecto a la evaluación del desempeño, estamos de acuerdo en que la discriminación, medida mediante el área bajo la curva ROC (AUC), la sensibilidad, la especificidad y la puntuación F1 (F1 score), no agota la valoración de la utilidad clínica de un modelo. La evaluación de la calibración, incluyendo el intercepto y la pendiente de calibración, así como el análisis del beneficio neto mediante el análisis de curvas de decisión (decision curve analysis, DCA), son pasos necesarios antes de considerar cualquier implementación clínica4. En la cohorte actual, debido a su carácter piloto y al bajo número absoluto de eventos observados, con 13 recurrencias en total, estos análisis habrían ofrecido estimaciones imprecisas y potencialmente inestables1. Por ello, deberán formar parte central de la evaluación metodológica en cohortes de mayor tamaño.

Finalmente, coincidimos plenamente en que ningún modelo predictivo debe trasladarse a la práctica clínica sin validación externa en cohortes geográfica y temporalmente independientes, conforme a los principios metodológicos descritos por Ramspek et al.5. Esta limitación fue reconocida explícitamente en nuestro manuscrito, y consideramos que el siguiente paso lógico es la evaluación multicéntrica, idealmente con participación de diversos centros latinoamericanos1. Esto permitirá valorar no solo el desempeño global del modelo, sino también su calibración, reproducibilidad, utilidad clínica y desempeño entre distintos subgrupos clínicos y poblacionales.

En conclusión, agradecemos los comentarios de Therán-León et al., los cuales complementan y fortalecen la interpretación de nuestro estudio. Reiteramos que nuestro modelo debe entenderse como una herramienta preliminar y generadora de hipótesis. Su valor principal radica en proponer una aproximación basada en variables clínicamente accesibles para la estratificación individual del riesgo, que deberá ser refinada y validada externamente antes de cualquier aplicación generalizada.

Autoría

Todos los autores participaron en la elaboración o revisión crítica de la respuesta, aprobaron su versión final y aceptan su envío para su publicación.

Derecho a la privacidad y consentimiento informado

En el presente manuscrito no aparecen datos personales, imágenes ni información que permita identificar a pacientes. Debido a que no se utilizaron datos nuevos ni se realizó una nueva investigación, no fue necesaria la obtención de consentimientos informados adicionales.

Confidencialidad de los datos

La carta de respuesta no presenta datos individuales de pacientes ni información clínica adicional. En consecuencia, no se incluye información que permita identificar directa o indirectamente a persona alguna.

Financiación

Los autores declaran que no se recibió financiación específica de entidades públicas, comerciales o sin fines de lucro para la elaboración de esta respuesta.

Conflicto de intereses

Los autores declaran no tener ningún conflicto de intereses relacionado con el contenido de esta respuesta.

Referencias
[1]
R. Zayas-Bórquez, J. Canto-Losa, E. Posadas-Trujillo, et al.
Desarrollo de un modelo de aprendizaje automático para predecir recurrencia en el cáncer de colon derecho: estudio piloto retrospectivo unicéntrico.
Rev Gastroenterol Mex, 91 (2026), pp. 68-75
[2]
R.D. Riley, J. Ensor, K.I.E. Snell, et al.
Calculating the sample size required for developing a clinical prediction model.
[3]
G.S. Collins, K.G.M. Moons, P. Dhiman, et al.
TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods.
[4]
B. Van Calster, D.J. McLernon, M. van Smeden, et al.
Calibration: the Achilles heel of predictive analytics.
[5]
C.L. Ramspek, K.J. Jager, F.W. Dekker, et al.
External validation of prognostic models: What, why, how, when and where?.
Clin Kidney J, 14 (2021), pp. 49-58
Copyright © 2026. Asociación Mexicana de Gastroenterología
Descargar PDF
Idiomas
Revista de Gastroenterología de México
Opciones de artículo
Herramientas