Interesante artículo que evalúa retrospectivamente el rendimiento de ocho modelos predictivos validados para el cáncer de pulmón en nueve cohortes de pacientes, aplicados a tres contextos clínicos: nódulos pulmonares detectados en programas de cribado, nódulos detectados incidentalmente y nódulos sospechosos biopsiados mediante broncoscopia. Se evaluó el área bajo la curva ROC de los ocho modelos validados, incluyendo regresiones logísticas sobre variables clínicas y caracterizaciones de nódulos realizadas por radiólogos, inteligencia artificial (IA) en TC de tórax, IA de imagen longitudinal y enfoques multimodales para la predicción del riesgo de cáncer de pulmón. Entre los resultados destacan que no hubo un modelo que superara a los demás en todos los escenarios clínicos, aunque algunos modelos obtuvieron mejores resultados en contextos clínicos específicos: los modelos basados en IA en una sola TC tuvieron buen rendimiento en cribado, pero no generalizaron bien a otros contextos, los modelos longitudinales y multimodales funcionaron mejor en nódulos incidentales, mostrando mayor robustez en general, mientras que todos los modelos mostraron bajo rendimiento en los nódulos biopsiados. En conclusión, ningún modelo de predicción de cáncer de pulmón evaluado logró generalizarse adecuadamente fuera de su entorno clínico o institución de entrenamiento original.

PUNTOS DÉBILES:

• Generalización limitada de los resultados por valoración retrospectiva de cohortes heterogéneas con diferentes contexto clínico y centros de implementación.

• Diferente prevalencia de cáncer de pulmón de las cohortes de entrenamiento lo que podría haber sesgado la sensibilidad y especificidad de los modelos.
• Diferencias en el tamaño de las cohortes así como en las características técnicas de las máquinas de TC y de sus protocolos.

PUNTOS FUERTES:

• Comparación amplia, sistemática y con enfoque multimodal que permite evaluar el rendimiento global de los modelos en la práctica clínica y observar ventajas combinadas. Incluye modelos predictivos que aplican la IA.
• Aplicación de criterios de exclusión por calidad de imagen y uso de cohortes con resultados confirmados por biopsia.
• Proporciona información valiosa sobre la necesidad de ampliar la investigación para mejorar la generalización y utilidad clínica de los modelos de predictivos de cáncer de pulmón.

Dra. Mariana Benegas

Editora de la sección de SEICAT