Development of a machine learning model for predicting right-sided colon cancer recurrence: A retrospective single center pilot study

Right-sided colon cancer (RSCC) is characterized by distinct clinical features and recurrence patterns. Our study aimed to develop a predictive model for distant recurrence in patients with RSCC who underwent curative surgery, employing the Random Forest machine learning algorithm, based on clinical and histopathologic variables. A retrospective analysis of 64 patients treated within the time frame of 2016–2024 was conducted. The variables included age, sex, lymphovascular invasion, and number of lymph nodes evaluated (transformed for inverse interpretation). Oversampling was employed to balance the dataset and a Random Forest model for predicting distant recurrence (defined as that occurring at least six months after surgery) was constructed. Its performance was evaluated through accuracy, sensitivity, F1 score, and area under the ROC curve (AUC). The model achieved an AUC of 0.76 in the test set, with 75% sensitivity and 100% specificity. The most relevant variables were low lymph node harvest, older age, male sex, and lymphovascular invasion. A simplified model with those four variables maintained 95% accuracy. A clinical risk scale based on cumulative scores was developed that classified patients into low-risk and high-risk groups, with distant recurrence rates of 8.3% and 56.3%, respectively. The predictive model showed a robust capacity for stratifying the distant recurrence risk, supporting the use of machine learning algorithms as a complementary tool in the individualized management of RSCC. El cáncer de colon derecho (CCD) se distingue por sus características clínicas y patrones de recurrencia únicos. Este estudio tuvo como objetivo desarrollar un modelo predictivo de recurrencia a distancia en pacientes con CCD operados con intención curativa, empleando el algoritmo de aprendizaje automático random forest a partir de variables clínicas e histopatológicas. Se realizó un análisis retrospectivo de 64 pacientes tratados entre 2016–2024. Se incluyeron variables como edad, sexo, invasión linfo-vascular y número de ganglios linfáticos evaluados (transformado para interpretación inversa). Se empleó sobremuestreo para balancear los datos y se construyó un modelo random forest para predecir recurrencia a distancia (definida como aquella documentada a partir de los seis meses posteriores a la cirugía). Se evaluó su desempeño mediante precisión, sensibilidad, puntuación F1 y área bajo la curva ROC (AUC). El modelo obtuvo un AUC de 0.76 en el conjunto de prueba, con sensibilidad del 75 % y especificidad del 100 %. Las variables más relevantes fueron: menor cosecha ganglionar, edad avanzada, sexo masculino e invasión linfática/vascular. Un modelo simplificado con estas cuatro variables mantuvo una precisión del 95 %. Se construyó una escala clínica de puntajes acumulativos que clasificó a los pacientes en grupos de bajo y alto riesgo, con tasas de recurrencia a distancia de 8.3 % y 56.3 %, respectivamente. El modelo predictivo mostró una capacidad robusta para estratificar el riesgo de recurrencia a distancia, respaldando el uso de algoritmos de aprendizaje automático como herramienta complementaria en el manejo individualizado del CCD.