PREDICCIÓN DE EFECTOS SECUNDARIOS EN TERAPIAS DE PROTONES BASADO EN DOSIÓMICA

Abstract

En este trabajo se presenta el desarrollo de un flujo de trabajo metodológico para la predicción de efectos secundarios en tratamientos de protonterapia, y se aplica en un caso de uso concreto en la necrosis del lóbulo temporal. El objetivo principal es integrar de forma sistemática información clínica, radiómica, dosiómica y mapas de transferencia lineal de energía (LET) para establecer una base automatizada que permita generar informes predictivos explicables y reproducibles.

La fuente de datos del caso de uso es un conjunto real proporcionado por el Centro de Protonterapia Quirón Salud (Madrid) compuesto por once pacientes, dos de los cuales presentaron necrosis como efecto adverso. A pesar del número limitado de casos, esta cohorte ha permitido ejemplificar la estructura general del flujo de trabajo y su viabilidad técnica.

La metodología implementada incluye varias fases: preprocesamiento de datos clínicos y de imagen, extracción de características radiómicas y dosiómicas mediante \texttt{PyRadiomics}, e incorporación de mapas LET. Posteriormente, se aplica un proceso de selección de características basado en distintas métricas de dependencia y relevancia: coeficientes de Pearson y Spearman, información mutua y el algoritmo de filtrado mRMR (Minimum Redundancy Maximum Relevance).

Para la fase de modelado se han utilizado múltiples clasificadores (regresión logística, máquinas de vector soporte, árbol de decisión, Gradient Boosting y perceptrón multicapa), combinados mediante estrategias de ensamblado como \textit{voting} y \textit{stacking}. La validación se ha realizado con la estrategia Leave-One-Out (LOO), incluyendo una adaptación para forzar la inclusión de casos positivos en las particiones, debido al fuerte desequilibrio de clases. Aunque el rendimiento predictivo, medido en métricas como el área bajo la curva o la precisión, ha sido limitado ¿con resultados insuficientes para extraer conclusiones clínicas¿, esto se atribuye principalmente a la escasez de datos y la falta de variabilidad estadística.

Finalmente, se ha incorporado una capa de explicabilidad del modelo basada en SHAP (SHapley Additive exPlanations), que permite interpretar la contribución de cada variable al resultado del modelo, mejorando la transparencia del sistema.

El flujo de trabajo desarrollado constituye una herramienta modular extensible a conjuntos de datos más amplios, y proporciona una base reproducible para estudios futuros en el ámbito de la dosiómica y la medicina personalizada en oncología radioterápica.