Federación Mexicana de Patología Clínica, A.C.

I N T R O D U C C I Ó N

Chile presenta una de las mayores tasas de incidencia y mortalidad de cáncer de vesícula biliar a nivel mundial. La colelitiasis constituye un factor de riesgo mayor para el cáncer de vesícula biliar, presente en cerca del 85 % de los pacientes afectados. Aproximadamente el 80 % de los casos de colelitiasis son asintomáticos y se detectan incidentalmente. La identificación de cálculos biliares se basa principalmente en la historia clínica y pruebas imagenológicas, cuyo acceso es limitado en el sistema público de salud. El uso de modelos predictivos utilizando inteligencia artificial ha demostrado ser una aproximación prometedora para mejorar la precisión diagnóstica y apoyar la toma de decisiones clínicas, constituyendo una herramienta potencialmente valiosa para predecir la presencia de colelitiasis.

O B J E T I V O

Validar un modelo predictivo de cálculos biliares basado en machine learning, utilizando datos clínicos y de laboratorio como una herramienta de apoyo a las decisiones clínicas.

M A T E R I A L E S  Y  M É T O D O

El estudio se realizó utilizando un dataset público conteniendo información de 319 individuos (187 mujeres y 162 hombres), de los cuales 161 pacientes presentaban diagnóstico de colelitiasis y 158 como grupo control. Este set considera 38 variables, incluyendo antecedentes demográficos (edad, sexo), peso, talla, índice de masa corporal (IMC), comorbilidades, bioimpedancia y datos de laboratorio que incluyeron glucosa, colesterol total, triglicéridos, lipoproteína de baja densidad (LDL), lipoproteína de alta densidad (HDL), alanina aminotransferasa (ALT), aspartato aminotransferasa (AST), fosfatasa alcalina (FA), creatinina, tasa de filtracion glomerular (TFG), proteína C reactiva (PCR), Hemoglobina (HGB) y vitamina D. El dataset fue estratificado utilizando un 70 % para entrenamiento y un 30 % para prueba. Inicialmente, se entrenaron cuatro algoritmos: Elastic Net (glmnet), bosque aleatorio (ranger), Gradient Boosting Machine (GBM), extreme gradient boosting (XGBoost). Adicionalmente, las predicciones de los cuatro modelos individuales se combinaron mediante SuperLearner empleando regresión Non-Negative Least Squares (NNLS) como meta-algoritmo. Se evaluaron métricas como área bajo la curva (AUC), sensibilidad (Sn), especificidad (Sp), Valor predictivo positivo (PPV) y Valor predictivo negativo (NPV), precisión global y F1 score. Finalmente, la utilidad clínica de los modelos fue evaluada mediante análisis de curva de decisión (DCA). Para umbrales clínicamente relevantes (10–75 %) se extrajeron beneficios netos y métricas diagnósticas asociadas.

R E S U L T A D O S

Las variables con las que se contruyó el modelo fueron proteína C reactiva (PCR), hemoglobina (HGB), diabetes mellitus tipo 2 (DM2), hiperlipidemia y sexo. El modelo que presentó las mejores métricas correspondió al meta-algoritmo SuperLearner (AUC 0,85; Sn 0,85; Sp 0,75; Accuracy 0,80; F1 score 0,81, PPV 0,77 y NPV 0,84). Respecto de la utilidad clinica de los modelos analizados, igualmente el modelo SuperLearner presentó el mayor beneficio neto evitando intervenciones innecesarias.

C O N C L U S I O N E S

Los resultados demuestran que el modelo SuperLearner muestra un rendimiento predictivo robusto y un favorable beneficio neto, contribuyendo a detectar casos de colelitiasis dentro de grupos de pacientes sospechosos. Estudios posteriores en diversos centros clínicos podrían contribuir a mejorar la capacidad predictiva del modelo en población chilena, considerando que este modelo utiliza variables fácilmente obtenibles en la práctica clínica lo que permitiría priorizar pacientes que requieran estudios imagenológicos, optimizando el uso de recursos y reduciendo intervenciones innecesarias.