Predecir antes de operar las cirugías de Mohs más pesadas: lo que treinta modelos de machine learning aprenden sobre todo del tamaño del tumor

Un equipo de Sídney entrena treinta algoritmos de machine learning para predecir, antes de la cirugía, si una cirugía micrográfica de Mohs necesitará 13 cortes de tejido o más — un umbral de « caso pesado » copiado del baremo de reembolso australiano. En 408 procedimientos de un solo centro, el mejor modelo, un conjunto por « stacking », alcanza un AUC de 0,884 en el test y un 81,7 % de exactitud, por encima del 0,70–0,78 de trabajos previos. Pero el conjunto de test solo tiene 82 casos, no se realiza validación externa, y el análisis de importancia de variables muestra que el modelo repite sobre todo una obviedad anatómica: cuanto mayor es el tumor, más hay que cortar.

El contexto

La cirugía micrográfica de Mohs (MMS) es el tratamiento de referencia de los cánceres cutáneos queratinocíticos — carcinoma basocelular (CBC) y espinocelular (CEC) — en zonas anatómicamente delicadas como el rostro, con tasas de curación superiores al 98 % en tumores primarios. Su principio: retirar el tumor capa por capa, examinando cada capa al microscopio de inmediato, y repetir hasta que los márgenes estén limpios. El número de « cortes » (secciones) y de etapas varía enormemente entre pacientes — de una sola sección a más de cuarenta en casos complejos.

Ese número tiene consecuencias muy concretas: los casos pesados alargan el tiempo quirúrgico, movilizan más recursos e imponen técnicas de cierre más complejas. Saber de antemano que una intervención será larga ayudaría a planificar el quirófano, informar al paciente y organizar la reconstrucción. Trabajos anteriores intentaron esta predicción con AUC de 0,70 a 0,78 — el AUC (área bajo la curva ROC) mide, entre 0,5 y 1, la capacidad de un modelo de separar dos clases, aquí « caso pesado » y « caso ligero ». La pregunta de este estudio: a partir solo de datos disponibles antes de la incisión, ¿puede un modelo de machine learning predecir un caso de 13 secciones o más?

El método

La tarea es una clasificación binaria: 13 secciones o más frente a menos de 13. El umbral de 13 no es biológico — corresponde al tramo de reembolso más alto del baremo australiano (Medicare Benefits Scheme), considerado marcador de casos exigentes en recursos. Los datos provienen de una sola institución, The Skin Hospital, en dos sedes de Sídney, durante 2012–2017: 408 procedimientos consecutivos. Los pacientes tienen de media 68,5 años (± 12,9), son un 57,8 % hombres; el 93,4 % de los tumores se sitúan en cabeza y cuello, y el 90,0 % son carcinomas basocelulares.

El modelo solo recibe variables preoperatorias — los autores excluyen deliberadamente los datos conocidos solo tras la cirugía (tamaño del defecto, tipo de cierre, estado de los márgenes) para preservar la utilidad clínica previa. Se conservan dieciséis variables: edad, sexo, los dos diámetros del tumor, la superficie tumoral (calculada como el área de una elipse a partir de esos dos diámetros), el tipo de tumor, un antecedente de recidiva, el carácter histológicamente agresivo, el sitio y la « zona de riesgo » corporal, la lateralidad, la unidad anatómica fina, la experiencia del cirujano, un estado « see-and-do », el estado de biopsia y el tabaquismo.

Treinta algoritmos compiten, repartidos en seis familias: gradient boosting (XGBoost, LightGBM, CatBoost — métodos que suman pequeños árboles de decisión que corrigen sucesivamente sus errores), métodos de conjunto (el « stacking » combina las predicciones de varios modelos mediante un metamodelo, aquí una regresión logística; el « voting » los hace votar), redes neuronales de 3 a 7 capas, máquinas de vectores de soporte y clasificadores clásicos. Los datos se dividen en entrenamiento (80 %, 326 casos) y test (20 %, 82 casos) por muestreo estratificado, con validación cruzada de 5 pliegues sobre el entrenamiento e intervalos de confianza por bootstrap (1000 remuestreos). Un punto valioso: el desenlace está equilibrado, 195 casos (47,8 %) con 13 secciones o más frente a 213 (52,2 %) por debajo. La importancia de las variables se lee con valores SHAP (un método que asigna a cada variable su contribución media a la predicción), y se produce una estimación de incertidumbre reentrenando 20 bosques aleatorios con semillas distintas. No se realiza validación externa ni temporal.

Los resultados

El modelo declarado ganador, el conjunto por stacking, alcanza un AUC de 0,891 en validación cruzada (IC 95 % 0,849–0,934) y de 0,884 en el test, con un 81,7 % de exactitud y un F1 de 0,81. El bosque aleatorio iguala el mismo AUC en validación cruzada (0,891) pero cae a 0,851 en el test; CatBoost obtiene 0,885 en validación cruzada, 0,881 en test y la mejor calibración (Brier de 0,134, el más bajo — sus probabilidades predichas son las más fieles). Todos los métodos caben en un pañuelo: AUC de 0,867 a 0,891. Cabe destacar que una red neuronal ancha de 3 capas alcanza en el test un AUC de 0,892 — superior al del modelo coronado como mejor.

La estratificación por incertidumbre es el resultado más interesante: 58 de los 82 casos de test (70,7 %) reciben una predicción « de alta confianza » (incertidumbre inferior al 15 %), y en ese subgrupo la exactitud sube al 91,4 %, frente al 70,8 % de las predicciones menos seguras. Las curvas de aprendizaje se estabilizan hacia ~260 ejemplos, lo que sugiere que más datos del mismo tipo ayudarían poco. En cuanto a las variables, el análisis SHAP es inequívoco: la superficie tumoral domina (importancia media 0,141), muy por delante del primer diámetro (0,086), el segundo diámetro (0,068), el carácter agresivo (0,046), la recidiva (0,035) y la edad (0,035); la zona corporal (0,006) y la experiencia del cirujano (0,008) casi no pesan. Aparece un efecto de umbral en torno a 1,5 cm² de superficie, más allá del cual la probabilidad de caso pesado sube con fuerza. El análisis univariado lo confirma: los casos de 13 secciones o más corresponden a tumores de 6,32 cm² de media frente a 0,75 cm² (p < 0,001, tamaño del efecto de Cohen d = 0,98, considerable).

En traducción clínica, dos matices. Primero, el 81,7 % de exactitud debe juzgarse contra una tasa base de aproximadamente el 52 % (la clase mayoritaria): el modelo aporta un valor real, pero en 82 casos de test se equivoca aún unas quince veces — y el cuerpo del preprint no informa ni de la sensibilidad ni de la especificidad en el umbral elegido, ambas necesarias para juzgar su uso. Segundo, la mayor parte de la señal reside en una sola medida hecha con una regla: la superficie del tumor.

Lo que está bien

Un desenlace equilibrado y métricas honestamente plurales. A diferencia de muchos estudios de IA-salud donde una prevalencia desequilibrada infla la exactitud, aquí las dos clases están casi a la par (47,8 % frente a 52,2 %): la exactitud y el F1 son, pues, interpretables sin trampa de prevalencia. Los autores no se quedan en el AUC; informan de la calibración (Brier) y discuten qué modelo está mejor calibrado — un rigor poco frecuente.

Una interpretabilidad coherente y plausible. Los valores SHAP son estables entre modelos (correlación de Spearman ρ > 0,85 entre todos los pares), el efecto de umbral en torno a 1,5 cm² es clínicamente creíble, y la jerarquía de variables cuenta una historia legible en vez de una caja negra. Se ve por qué decide el modelo.

Una estratificación por incertidumbre útil para el despliegue. En lugar de una única puntuación, el sistema separa las predicciones fiables (70,7 % de los casos, al 91,4 % de exactitud) de las dudosas (70,8 %): un clínico sabría cuándo confiar en la herramienta y cuándo desconfiar. Es exactamente la salvaguarda que falta a la mayoría de las calculadoras clínicas. El estudio cuenta además con aprobación ética (protocolo HREC 2017/021) y consentimiento de los pacientes.

Lo que está menos bien

Un conjunto de test minúsculo y una « validación » sobre todo interna. El título anuncia « validación », pero todo se apoya en una única división aleatoria de un solo centro: 82 casos de test, unos 39 positivos. A ese tamaño, las diferencias entre modelos están dentro del ruido — la red neuronal de 3 capas (test 0,892) supera de hecho al ganador proclamado (0,884), y CatBoost (0,881) lo iguala. El « mejor modelo » se designa sobre empates de validación cruzada resueltos en la tercera decimal, lo que hace inestable la clasificación. No se realiza validación externa ni temporal, aunque es precisamente el paso que hace caer a la mayoría de los modelos al cambiar de hospital.

Treinta modelos, ningún comparador simple, un riesgo de sobreoptimismo. Evaluar treinta algoritmos en 408 casos y quedarse con el mejor expone a la maldición del ganador: el mejor AUC entre treinta es mecánicamente optimista, sin corrección por esa multiplicidad. Sobre todo, falta el comparador más evidente: una simple regresión logística sobre la sola superficie tumoral. Puesto que SHAP muestra que esa superficie domina todo, nada prueba que la artillería de treinta modelos supere a una cinta métrica y una regla de tres. Es el comparador sesgado por omisión: se bate a la literatura antigua (0,70–0,78) sin medirse con la línea base trivial.

Una casi tautología disfrazada de predicción, sobre una población estrecha. La superficie tumoral se calcula de forma determinista a partir de los dos diámetros, contados también entre las « dieciséis variables »: las tres primeras variables del ranking SHAP son, pues, la misma información repetida. El modelo repite una obviedad — un tumor grande exige extirpar más tejido — que los autores conceden: « 13 secciones o más sirve ante todo como sustituto del tamaño del tumor ». A ello se suma un fuerte sesgo de población: un solo centro australiano, 90 % de basocelulares, 93 % de cabeza y cuello. Por último, el umbral de 13 es un artefacto de facturación (el tramo Medicare), en parte dependiente de los hábitos del cirujano — el número de secciones por etapa pasa de 3,0 a 8,6 según la zona — más que una frontera biológica. Nótese también que no se publica ningún código, que los datos solo están disponibles bajo petición, y que una calculadora en línea derivada de este trabajo muestra salidas (tiempo quirúrgico, códigos de facturación, tamaño del defecto) que van mucho más allá del modelo binario realmente validado, y se basa en un conjunto de seis modelos distinto del presentado como mejor.

Lo que cambia

Para la comunidad de investigación, el estudio ofrece una plantilla cuidada de predicción preoperatoria — buen uso de SHAP, calibración reportada, estratificación por incertidumbre — pero sobre todo una lección de evaluación. Comparar treinta modelos en 82 casos de test, sin validación externa y sin línea base trivial, produce una clasificación frágil y un AUC de cabecera probablemente optimista. El correctivo es conocido: preinscribir un comparador simple (aquí, la superficie tumoral sola), validar en externo y en el tiempo, informar de sensibilidad y especificidad en el punto de funcionamiento, y corregir la multiplicidad de modelos probados.

Para los clínicos, un cirujano de Mohs ya anticipa los casos pesados mirando el tamaño y la localización del tumor; este trabajo formaliza esa intuición sin demostrar aún que supere a un centímetro. El potencial es real para la planificación del quirófano y la información al paciente — a condición de una validación externa. Las salidas adicionales de la calculadora en línea (duración quirúrgica, códigos de reembolso) no están, en cambio, respaldadas por los datos presentados.

Para los pacientes y el público, dos ideas simples. No, ninguna aplicación puede hoy anunciarle de forma fiable que su cirugía de Mohs será larga: el resultado viene de un solo centro, sobre 82 casos de test, y no se ha validado en otro sitio. Y un « AUC de 0,89 » impresiona menos una vez traducido: los tumores grandes en lugares delicados requieren más cirugía — lo que ya sabíamos.

Para saber más

El preprint « Development and Validation of Machine Learning Models for Predicting 13 or More Sections in Mohs Micrographic Surgery » está disponible en medRxiv (10.64898/2026.07.20.26358484), por Yagiz Alp Aksoy, Simon Lee y Gilberto Moreno-Bonilla (University of Sydney, Daffodil Centre y Biomedical AI Centre del Centenary Institute; Royal North Shore Hospital; The Skin Hospital, Sídney). El estudio cuenta con aprobación del comité de ética de la Universidad de Sídney (HREC 2017/021), sin financiación declarada ni conflicto de intereses; la licencia es CC BY-NC-ND 4.0. Los datos se facilitan bajo petición y ningún repositorio de código acompaña al artículo. Sobre la IA en cáncer de piel y las trampas de validación, véanse nuestros decryptages sobre la clasificación en cascada de lesiones dermoscópicas y su validación clínica externa, sobre un modelo de deep learning que se derrumba en la validación externa, y sobre bosques aleatorios frente a deep learning cuando los datos escasean.

Transparencia editorial: versión francesa redactada y firmada por la redacción de Tatakoto a partir de la lectura del preprint. Los valores de sensibilidad y especificidad en el umbral elegido no figuran en el cuerpo del preprint y por tanto no se reportan aquí. Traducciones al inglés, español y chino producidas con asistencia de IA y revisadas.