Modelos de aprendizaje automático a partir de datos sanitarios rutinarios para identificar riesgo de cáncer
Un estudio internacional presentado en el Congreso de la Sociedad Europea de Oncología Médica (ESMO) ha demostrado que los modelos de aprendizaje automático, que utilizan datos sanitarios recopilados de forma habitual como análisis de sangre, antecedentes médicos y factores relacionados con el estilo de vida, pueden ser efectivos para detectar a las personas con mayor riesgo de desarrollar varios de los tipos de cáncer más frecuentes.
Desarrollo y validación de los modelos predictivos
Los investigadores crearon cerca de 500 modelos de aprendizaje automático para prever la probabilidad de desarrollar 20 tipos comunes de cáncer. Para ello, utilizaron datos de 463.620 participantes del Biobanco del Reino Unido (UK Biobank), quienes fueron seguidos durante aproximadamente 18 años. Durante ese período, 57.055 participantes desarrollaron algún tipo de cáncer.
Los modelos se basaron en distintas variables, como antecedentes médicos, factores relacionados con el estilo de vida, análisis de sangre, así como datos genéticos y metabolómicos. Para evaluar su utilidad en diferentes poblaciones, los investigadores los validaron con datos de participantes de Escocia y Gales, además de 42.036 personas del programa de investigación estadounidense ‘All of Us’ y más de tres millones de individuos en la base de datos japonesa ‘JMDC’.
Se excluyeron los casos de cáncer detectados durante el primer año de seguimiento para reducir la influencia de enfermedades aún no diagnosticadas al inicio del estudio.
Resultados y aplicaciones potenciales de los modelos predictivos
Los modelos superaron los métodos estadísticos tradicionales en capacidad predictiva, aunque su rendimiento variaba según el tipo de cáncer. En un análisis combinado de los tipos de cáncer cuyo riesgo podía estimarse a partir de datos clínicos rutinarios, lograron un área bajo la curva ROC (AUROC) de 0,83 a 15 años. Esta métrica va de 0,5, que indica una discriminación equivalente al azar, a 1,0, que denota una discriminación perfecta.
Los resultados fueron especialmente prometedores para los cánceres de pulmón, esófago e hígado. En cambio, la capacidad para predecir el incidencia de cáncer de ovario, mama y cuello uterino fue más limitada. En el caso de la leucemia mieloide aguda y el mieloma múltiple, la eficiencia de los modelos disminuyó al ampliar el plazo de predicción.
Según los autores, estas predicciones a corto plazo podrían estar detectando señales tempranas de tumores que ya estaban en fase inicial y que aún no se habían diagnosticado. La mayor parte de la capacidad predictiva se basó en análisis de sangre rutinarios y antecedentes clínicos, siendo estos últimos especialmente útiles para predecir diagnósticos posteriores a cinco años. La incorporación de datos genéticos y metabolómicos solo mejoró marginalmente los resultados.
Herramientas y perspectivas futuras en la detección precoz
Los investigadores también desarrollaron ‘PRE-Screen’, una herramienta que permite a agentes de inteligencia artificial basados en grandes modelos de lenguaje ejecutar de manera sistemática los modelos de predicción del riesgo. Los resultados obtenidos con esta herramienta fueron significativamente mejores en comparación con las predicciones sin su apoyo.
El principal autor del estudio, Paul-Henry Koop, del Centro Else Kröner Fresenius de Salud Digital de la Universidad Técnica de Dresde, destacó que en algunos tipos de cáncer estos modelos podrían convertirse en herramientas de precribado de bajo costo, basadas en datos ya recogidos en la práctica clínica habitual. Según sus palabras, estos modelos podrían orientar los programas de detección y las intervenciones dirigidas a reducir el riesgo de tumores.
Por otro lado, el investigador de la Universidad Costa Azul (Francia), Marco Lorenzi, resaltó la necesidad de realizar futuras validaciones para evaluar la fiabilidad de estos modelos, su capacidad de generalización en diferentes poblaciones y la posible presencia de sesgos. Lorenzi afirmó que el análisis automatizado propuesto en el estudio podría facilitar la priorización de pacientes, promover la detección precoz y evaluar el riesgo individual, contribuyendo así a reducir la carga asistencial y aliviar la presión sobre los sistemas sanitarios.
Dejá tu comentario
Comentá con tu nombre y Gmail. Tu correo es privado y nunca se publica.