Los modelos de aprendizaje automático (ML) han demostrado ser una alternativa atractiva a los métodos estadísticos tradicionales en oncología. Sin embargo, a menudo son considerados como obstáculos, lo que dificulta su adopción para responder a preguntas clínicas de la vida real. En este documento, mostramos una aplicación práctica del aprendizaje automático explicativo (XML). Específicamente, exploramos el efecto que tiene el informe sinóptico (SR; es decir, informes donde los elementos de datos se presentan como elementos de datos discretos) en Patología sobre la supervivencia de una población de 14,878 pacientes holandeses con cáncer de próstata. Comparamos el rendimiento de un modelo de Riesgos proporcionales de Cox (CPH) con el de un modelo de aumento de gradiente extremo (XGB) en la predicción de la supervivencia clasificada de los pacientes. Descubrimos que el modelo XGB (índice = 0,67) tuvo un rendimiento significativamente mejor que el CPH (índice = 0,58). Además, utilizamos los valores de Explicaciones Aditivas de Shapley (SHAP) para generar una representación matemática cuantitativa de cómo las características, incluido el uso de SR, contribuyeron a la salida de los modelos. El modelo XGB en combinación con las visualizaciones de SHAP revelaron efectos de interacción interesantes entre SR y el resto de las características más importantes. Estos resultados sugieren que SR tiene un impacto positivo moderado en la supervivencia predicha de los pacientes. Además, agregar una capa de explicabilidad a los modelos de ML predictivos puede abrir sus posibilidades, haciéndolos más accesibles y fáciles de entender por el usuario. Esto puede hacer que las técnicas basadas en XML sean alternativas atractivas a los métodos clásicos utilizados en la investigación oncológica y en la atención médica en general.