Il cancro alla prostata (PCa) è il tumore maligno più diffuso negli uomini e molti pazienti rimangono a rischio di recidiva biochimica (BCR) dopo il trattamento iniziale. Una previsione accurata della BCR è quindi vitale per una gestione clinica efficace e la pianificazione del trattamento. Chenyang Ling e colleghi hanno condotto una revisione sistematica e una meta-analisi con lo scopo di valutare l’efficacia dei modelli di apprendimento automatico (ML) nel prevedere la BCR nei pazienti con cancro alla prostata, confrontando le loro performance con i metodi prognostici tradizionali. Sono stati esplorati sistematicamente quattro database (PubMed, Web of Science, Embase e Cochrane) alla ricerca di lavori pertinenti che hanno utilizzato tecniche di ML per prevedere la BCR del cancro alla prostata. L’estrazione dei dati include il tipo di modello, la dimensione del campione e l’area sotto la curva (AUC). Il team ha condotto una meta-analisi utilizzando l’AUC come metrica di performance principale per valutare l’accuratezza predittiva e l’eterogeneità tra i modelli. Alla fine, gli esperti hanno selezionato 16 documenti per un totale di 17.316 pazienti con cancro alla prostata. L’AUC aggregata per i modelli ML è di 0,82. I modelli di deep learning e ibridi hanno superato i modelli tradizionali (AUC = 0,83). I modelli che utilizzano dati di imaging mostrano una performance migliorata (AUC = 0,82). I modelli ML sono risultati più efficaci nel prevedere la BCR a 1 anno (AUC = 0,86), con una performance leggermente in calo per intervalli di tempo più lunghi. Gli Autori concludono che i modelli ML superano i metodi tradizionali nella previsione della BCR, specialmente a breve termine. L’integrazione di dati multimodali, come l’imaging, migliora l’accuratezza predittiva. Gli studi futuri dovrebbero ottimizzare e convalidare questi modelli attraverso studi clinici su larga scala.
Sci Rep. 2025 Aug doi: 10.1038/s41598-025-11445-5
