medigraphic.com
Organo Oficial de la Sociedad Mexicana de Urología

2026, Número 3

Siguiente >>

Rev Mex Urol 2026; 86 (3)


Inteligencia artificial frente a equipos multidisciplinarios en cáncer de próstata de alto riesgo con márgenes quirúrgicos positivos: un estudio piloto de prueba de concepto

Duarte-Valdés R, Lagos-Beitz HE, Martínez-Delgado GH,Castillejos-Molina RA

Idioma: Ingles.
Referencias bibliográficas: 18
Paginas: 1-15
Archivo PDF: 318.47 Kb.


RESUMEN

Objetivo: comparar las recomendaciones terapéuticas de equipos multidisciplinarios (MDT) y de inteligencia artificial (IA) en cáncer de próstata (CaP) de alto y muy alto riesgo con márgenes quirúrgicos positivos (PSM) tras prostatectomía radical (PR).
Diseño, metodología o aproximación: se realizó un estudio retrospectivo de prueba de concepto en un centro de referencia terciario. Entre 700 hombres sometidos a PR (2010–2024), 76 presentaron PSM y 14 contaron con discusiones preoperatorias en MDT. Cinco pacientes cumplieron criterios: CaP de alto/muy alto riesgo (NCCN), PSM confirmados y evaluaciones pre- y postoperatorias en MDT. Los datos clínicos y patológicos se ingresaron en ChatGPT-4.0 (OpenAI), utilizando guías NCCN, AUA y EAU. La IA fue consultada en modo zero-shot y la concordancia se evaluó con el índice kappa (κ).
Resultados: se incluyeron cinco pacientes en el análisis final. Las recomendaciones de la IA coincidieron con las decisiones del MDT en 2 de 5 casos (40 %) tanto en el contexto preoperatorio como postoperatorio. La concordancia fue mínima para la terapia inicial (κ = 0.00) y ligera para el manejo postoperatorio (κ = 0.12).
Limitaciones o implicaciones: el tamaño muestral reducido y el diseño retrospectivo limitan la generalización de los hallazgos. Originalidad o valor: es el primer estudio que compara directamente recomendaciones basadas en IA con las de MDT en CaP de alto riesgo con PSM en Mexico.
Hallazgos o conclusiones: la IA generó recomendaciones rápidas y basadas en guías clínicas, pero mostró concordancia limitada con las decisiones del equipo multidisciplinario (MDT) en esta cohorte piloto. La IA puede apoyar la eficiencia y la adherencia a guías como una herramienta complementaria; sin embargo, este estudio no evaluó si alguna de las dos estrategias de recomendación conduce a mejores resultados clínicos


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Bray F, Laversanne M, Sung H, Ferlay J,Siegel RL, Soerjomataram I, et al. Globalcancer statistics 2022: GLOBOCAN estimatesof incidence and mortality worldwide for 36cancers in 185 countries. CA: a cancer journalfor clinicians. 2024;74(3): 229–263. https://doi.org/10.3322/caac.21834.

  2. Eastham JA, Auffenberg GB, Barocas DA, ChouR, Crispino T, Davis JW, et al. Clinically LocalizedProstate Cancer: AUA/ASTRO Guideline, Part II:Principles of Active Surveillance, Principles ofSurgery, and Follow-Up. The Journal of Urology.2022;208(1): 19–25. https://doi.org/10.1097/JU.0000000000002758.

  3. Lowrance WT, Breau RH, Chou R, Chapin BF,Crispino T, Dreicer R, et al. Advanced ProstateCancer: AUA/ASTRO/SUO Guideline PART I.Journal of Urology. 2021;205(1): 14–21. https://doi.org/10.1097/JU.0000000000001375.

  4. Tang C, Hoffman KE, Allen PK, Gabel M,Schreiber D, Choi S, et al. Contemporaryprostate cancer treatment choices inmultidisciplinary clinics referenced to nationaltrends. Cancer. 2020;126(3): 506–514. https://doi.org/10.1002/cncr.32570.

  5. Swindle P, Eastham JA, Ohori M, Kattan MW,Wheeler T, Maru N, et al. Do margins matter?The prognostic significance of positive surgicalmargins in radical prostatectomy specimens.The Journal of Urology. 2008;179(5 Suppl): S47-51. https://doi.org/10.1016/j.juro.2008.03.137.

  6. Yossepowitch O, Briganti A, Eastham JA,Epstein J, Graefen M, Montironi R, et al. PositiveSurgical Margins After Radical Prostatectomy: ASystematic Review and Contemporary Update.European Urology. 2014;65(2): 303–313.https://doi.org/10.1016/j.eururo.2013.07.039.

  7. John A, Lim A, Catterwell R, Selth L,O’Callaghan M. Length of positive surgicalmargins after radical prostatectomy: Doessize matter? - A systematic review and metaanalysis.Prostate Cancer and Prostatic Diseases.2023;26(4): 673–680. https://doi.org/10.1038/s41391-023-00654-6.

  8. Cartron E, Lecordier D, Jovic L. L’intelligenceartificielle en santé : une promesse, un défi etune opportunité de dialogue interdisciplinaire.Recherche en soins infirmiers. 2019;137(2): 5–5.https://doi.org/10.3917/rsi.137.0005.

  9. Hamet P, Tremblay J. Artificial intelligence inmedicine. Metabolism: Clinical and Experimental.2017;69S: S36–S40. https://doi.org/10.1016/j.metabol.2017.01.011.

  10. Van Booven DJ, Kuchakulla M, Pai R, Frech FS,Ramasahayam R, Reddy P, et al. A SystematicReview of Artificial Intelligence in ProstateCancer. Research and Reports in Urology.2021;13: 31–39. https://doi.org/10.2147/RRU.S268596.

  11. Chu TN, Wong EY, Ma R, Yang CH, DaliehIS, Hung AJ. Exploring the Use of ArtificialIntelligence in the Management of ProstateCancer. Current Urology Reports. 2023;24(5):231–240. https://doi.org/10.1007/s11934-023-01149-6.

  12. Denise Heady, MA. AI model may yield betteroutcomes for prostate cancer. UCLA Health.2024. https://www.uclahealth.org/news/release/ai-model-may-yield-better-outcomesprostate-cancer [Accessed 6th May 2026].

  13. Antonelli M, Johnston EW, Dikaios N, CheungKK, Sidhu HS, Appayya MB, et al. Machinelearning classifiers can predict Gleason pattern4 prostate cancer with greater accuracythan experienced radiologists. EuropeanRadiology. 2019;29(9): 4754–4764. https://doi.org/10.1007/s00330-019-06244-2.

  14. Radboud University Medical Center. AI betterdetects prostate cancer on MRI than radiologists.ScienceDaily. 2024. https://www.sciencedaily.com/releases/2024/06/240612113341.htm[Accessed 6th May 2026].

  15. Alitto AR, Gatta R, Vanneste B, Vallati M,Meldolesi E, Damiani A, et al. PRODIGE:PRediction models in prOstate cancer forpersonalized meDIcine challenGE. FutureOncology. 2017;13(24): 2171–2181. https://doi.org/10.2217/fon-2017-0142.

  16. National Comprehensive Cancer Network.Guidelines Detail. NCCN. https://www.nccn.org/guidelines/guidelines-detail?id=1459 [Accessed 6th May 2026].

  17. Lee K, Lee SH. Artificial Intelligence-DrivenOncology Clinical Decision SupportSystem for Multidisciplinary Teams. Sensors.2020;20(17): 4693. https://doi.org/10.3390/s20174693.

  18. Bostrom N. Superintelligence von NickBostrom - 978-0-19-166683-4. OxfordUniversity Press US; 2014. https://www.wirthmiller.at/item/Superintelligence/Nick_Bostrom?isbn=9780191666834 [Accessed6th May 2026].




2020     |     www.medigraphic.com