Introducción: La progresión precoz a cáncer de próstata resistente a la castración metastásico (CPRCm) en menos de 12 meses identifica un fenotipo de gran agresividad y mal pronóstico. Las herramientas actuales (CHAARTED, LATITUDE) ofrecen una capacidad predictiva individual limitada.

Objetivo: Desarrollar y validar externamente un algoritmo de aprendizaje automático (Machine Learning), denominado RINH, para predecir la progresión precoz a mCRPC utilizando exclusivamente variables clínicas rutinarias.

Material y Métodos: Estudio multicéntrico con 412 pacientes con cáncer de próstata hormonosensible metastásico (mHSPC) de novo de siete centros españoles. Se registraron 20 variables clínicas. Tras excluir 55 casos singulares mediante análisis de fiabilidad RINH, se utilizaron 357 pacientes para entrenar y comparar seis algoritmos: RINH, Regresión Logística, Discriminante Lineal, SVM, Random Forest y Subspace Discriminant. La validación externa se realizó entrenando el modelo en un centro (n=121) y testándolo de forma independiente en los seis restantes (n=207).

Resultados: El algoritmo RINH demostró un rendimiento superior y más equilibrado que los clasificadores convencionales. En la validación externa, RINH alcanzó un Área Bajo la Curva (AUC) de 0,95, con una sensibilidad del 0,90 y especificidad del 1,00, superando significativamente a los modelos tradicionales que mostraron un deterioro marcado en su capacidad predictiva al cambiar de cohortes. No obstante, el análisis de fiabilidad reveló una menor confianza del algoritmo en la validación externa debido al bajo número de eventos de progresión (n=10), lo que sugiere cierta inestabilidad potencial.

Conclusiones: El algoritmo RINH permite una estratificación de riesgo individualizada y precisa en mHSPC utilizando solo datos clínicos. Aunque los resultados son excelentes, la validación en cohortes más amplias es necesaria antes de su implementación clínica. Esta herramienta podría optimizar la selección de pacientes para intensificación terapéutica.