Resumen

Introducción:

La predicción preoperatoria de extensión extracapsular (ECE) en cáncer de próstata es clave para planificar la cirugía y definir la preservación neurovascular. La resonancia magnética multiparamétrica (RMmp) es el estándar diagnóstico, pero con rendimiento limitado. La inteligencia artificial (IA) permite calcular volumen tumoral y derivar nuevas variables que podrían mejorar la predicción. El objetivo fue desarrollar un modelo basado en IA y compararlo con la RM convencional.

Material y métodos:

Se incluyeron 102 pacientes sometidos a prostatectomía radical con RMmp preoperatoria y análisis automatizado de volumen tumoral por IA. Se recopilaron PSA total, densidad PSA, estadio clínico por RM, ISUP de biopsia y variables derivadas de IA: densidad tumoral (volumen prostático/volumen tumoral IA) y densidad tumoral-antígeno (PSA/volumen tumoral). Se aplicó regresión logística binaria para identificar predictores de ECE. El rendimiento se evaluó con área bajo la curva (AUC), calibración de Hosmer-Lemeshow y métricas diagnósticas. Se simuló el impacto en la decisión quirúrgica (preservación vs ampliación) frente a la RM.

Resultados:

El 48% presentó ECE en histología definitiva. De ellos, 34 fueron clasificados como cT3 por RM y 14 subestimados como ≤cT2, con sensibilidad de 70.8% y especificidad de 80.8%. En el análisis multivariado, la densidad tumoral IA (OR 1.5×10^17, p=0.020), el estadio T por RM (OR 4.9–49.5, p<0.01), el PSA total (OR 1.12, p=0.040) y el volumen de lesión (OR 0.47, p=0.034) fueron predictores independientes de ECE. El modelo mostró buena calibración (Hosmer-Lemeshow p=0.333), R² de Nagelkerke=0.522 y un AUC de 0.823 (IC95%: 0.734–0.911), superior al de la RM sola (0.761; IC95%: 0.662–0.860). Con punto de corte 0.50, la sensibilidad fue 78.3% y la especificidad 86.3%. El umbral óptimo (0.43) alcanzó sensibilidad 80.4% y especificidad 86.3%. En la simulación, el modelo redujo falsos negativos (29.2% a 21.7%) y falsos positivos (19.2% a 13.7%), mejorando la decisión en ≈7% de los casos.

Conclusión:

El modelo basado en IA y variables clínicas mejora la predicción de ECE frente a la RM sola, con mayor discriminación y exactitud. Al optimizar el punto de corte, aporta un beneficio clínico directo al reducir preservaciones inadecuadas y ampliaciones innecesarias, favoreciendo una planificación quirúrgica más personalizada.