Inteligencia artificial y aprendizaje automático: herramientas para detectar riesgo de cáncer

La inteligencia artificial (IA) y los modelos de aprendizaje automático han sido reconocidos por su capacidad para identificar individuos en riesgo de desarrollar diversos tipos de cáncer. Este hallazgo fue presentado en el congreso de la Sociedad Europea de Oncología Médica (ESMO) en Madrid, donde se subrayó la importancia de datos como análisis de sangre, antecedentes médicos y hábitos de vida para efectuar estas predicciones.

Los investigadores crearon aproximadamente 500 modelos de aprendizaje automático con el objetivo de prever el riesgo de 20 tipos comunes de cáncer. Para ello, analizaron información de 463.620 participantes del Biobanco del Reino Unido durante un seguimiento de cerca de 18 años, periodo en el que 57.055 de ellos fueron diagnosticados con cáncer.

Características de los modelos de predicción

Los modelos se fundamentaron en diversas variables, incluyendo antecedentes médicos, análisis de sangre, y factores de estilo de vida, así como datos genéticos. Para validar la eficacia de sus predicciones, también utilizaron información de participantes en Escocia, Gales y de un programa de investigación americano llamado 'All of Us', además de una base de datos japonesa con más de tres millones de personas.

Los modelos demostraron una capacidad predictiva superior a los métodos estadísticos tradicionales, aunque esta efectividad variaba según el tipo de cáncer. Para un análisis combinado de cánceres cuya probabilidad puede ser evaluada mediante datos clínicos habituales, lograron un área bajo la curva (AUROC) de 0,83 a 15 años, donde 0,5 representa una discriminación aleatoria y 1,0 una predicción perfecta.

Los resultados fueron particularmente alentadores para los cánceres de pulmón, esófago y hígado, mientras que la capacidad de predicción fue más limitada en los casos de cáncer de ovario, mama y cuello uterino. En el caso de leucemia mieloide aguda y mieloma múltiple, la efectividad de los modelos disminuyó a medida que se ampliaba el horizonte de predicción, indicando que algunas evaluaciones a corto plazo pueden detectar tumores en etapas tempranas aún no diagnosticadas.

Los análisis de sangre rutinarios se mantuvieron como un indicador clave en la predicción del riesgo, incluso para diagnósticos realizados más de cinco años después. La incorporación de datos genéticos y metabolómicos mejoró ligeramente el rendimiento general de los modelos. Además, se desarrolló una herramienta denominada 'PRE-Screen', que permite a los agentes de IA aplicar los modelos predictivos de manera sistemática, resultando en mejores resultados en comparación con aquellos que no utilizaron esta herramienta.

El autor principal del estudio, Paul-Henry Koop, del Centro Else Kröner Fresenius de Salud Digital de la Universidad Técnica de Dresde, comentó que estos modelos podrían servir como herramientas de cribado de bajo costo, fundamentadas en datos que ya se recogen en la atención clínica habitual. Los actuales protocolos de cribado tienden a enfocarse en tipos de cáncer específicos, sin considerar el riesgo individual de cada paciente. En la UE, los programas de cribado se han concentrado en cánceres de mama, cuello uterino y colorrectal, aunque se están considerando ampliaciones para otros tipos de cáncer.

Finalmente, los investigadores enfatizaron la necesidad de realizar estudios adicionales que validen la efectividad de estos modelos, su aplicabilidad a otros grupos poblacionales y la identificación de posibles sesgos en los resultados obtenidos.