Precisión diagnóstica de la TC en la afectación del margen retroperitoneal en el cáncer de colon derecho

Resumen

Introducción

La afectación del margen radial retroperitoneal (MRR) en el cáncer de colon derecho se asocia con un peor pronóstico. Este estudio evalúa la capacidad diagnóstica de la tomografía computarizada (TC) preoperatoria para predecir esta afectación, considerando el análisis histopatológico como patrón de referencia. También analiza la utilidad de modelos machine learning (ML) basados en la imagen de TC para mejorar esta predicción.

Métodos

Se realizó un estudio retrospectivo en 186 pacientes con cáncer de colon derecho intervenidos mediante escisión mesocólica completa. Se analizaron criterios radiológicos por TC y su correlación con la afectación patológica del MRR. Además, se entrenaron y evaluaron diferentes modelos ML de clasificación para predecir la afectación del MRR.

Resultados

La lectura del TC obtuvo una sensibilidad del 80%, una especificidad del 83% y una precisión diagnóstica del 82% para la detección del MRR afectado. Entre los modelos de ML, destacaron el Naïve Bayes, con una precisión del 85% y la mejor sensibilidad para detectar casos positivos, y el Random Forest, con una precisión del 88% y el mejor equilibrio entre sensibilidad y especificidad.

Conclusión

La TC preoperatoria mostró una alta precisión para identificar la afectación del MRR en el cáncer de colon derecho. La combinación de variables de imagen mediante modelos ML, especialmente Random Forest y Naïve Bayes, mejoraron la capacidad predictiva, apoyando su implementación en la planificación quirúrgica personalizada.

Abstract

Introduction

Retroperitoneal radial margin (RRM) involvement in right-sided colon cancer is associated with a poorer prognosis. This study evaluates the diagnostic accuracy of preoperative computed tomography (CT) in predicting RRM involvement, using histopathological analysis as the reference standard. It also assesses the utility of machine learning (ML) models based on CT imaging to improve this prediction.

Methods

A retrospective study was conducted on 186 patients with right-sided colon cancer who underwent complete mesocolic excision. Radiological CT criteria were analysed and correlated with pathological RRM involvement. Additionally, various ML classification models were trained and evaluated to predict RRM involvement.

Results

CT interpretation achieved a sensitivity of 80%, specificity of 83%, and diagnostic accuracy of 82% in detecting RRM involvement. Among the ML models, Naïve Bayes stood out with an accuracy of 85% and the highest sensitivity for detecting positive cases, while Random Forest achieved an accuracy of 88% and the best balance between sensitivity and specificity.

Conclusion

Preoperative CT demonstrated high accuracy in identifying RRM involvement in right-sided colon cancer. The combination of imaging variables using ML models, particularly Random Forest and Naïve Bayes, improved predictive capability, supporting their implementation in personalised surgical planning.