Nuevos modelos de IA facilitarían la identificación temprana de pacientes con alto riesgo de desarrollar tumores comunes

Nuevos modelos de IA permitirían identificar con antelación a pacientes con alto riesgo de desarrollar algunos de los tumores más comunes, a partir de datos sanitarios que ya se recopilan de forma habitual, como análisis de sangre, antecedentes médicos y hábitos de vida. Así lo señala un estudio presentado en el congreso de la Sociedad Europea de Oncología Médica (ESMO), celebrado en Madrid.

El trabajo, elaborado con datos de cientos de miles de participantes del Biobanco del Reino Unido, sugiere que estas herramientas podrían integrarse en la práctica clínica para anticipar el riesgo individual de cáncer con mayor precisión que los métodos estadísticos convencionales.

Cómo funcionan los modelos de IA para predecir el riesgo de cáncer

Los investigadores desarrollaron alrededor de 500 modelos de aprendizaje automático con el objetivo de predecir el riesgo de desarrollar 20 tipos de cáncer frecuentes. Para construirlos, recurrieron a información de 463.620 participantes del Biobanco del Reino Unido, a quienes se hizo un seguimiento durante aproximadamente 18 años.

Durante ese período, 57.055 personas del grupo estudiado desarrollaron algún tipo de cáncer. Esa base de datos permitió entrenar los algoritmos con variables como antecedentes médicos, factores relacionados con el estilo de vida, resultados de análisis de sangre y datos genéticos y metabólicos.

Con el fin de comprobar si los modelos funcionaban también fuera de la población original, el equipo los validó con información de participantes de Escocia y Gales. También se utilizaron datos de 42.036 personas del programa estadounidense All of Us y de más de tres millones de personas incluidas en una base de datos japonesa.

Para evitar que el análisis se viera distorsionado por enfermedades que aún no habían sido diagnosticadas al comienzo del estudio, se excluyeron los casos de cáncer detectados durante el primer año de seguimiento. Los modelos de inteligencia artificial superaron a las herramientas estadísticas tradicionales, aunque su precisión varió según el tipo de tumor analizado.

Qué tipos de cáncer se predicen con mayor precisión

En un resultado combinado que incluyó los cánceres cuyo riesgo podía estimarse a partir de datos clínicos rutinarios, los modelos alcanzaron un área bajo la curva ROC (AUROC) de 0,83 a 15 años. Esta métrica mide la capacidad de un modelo para distinguir entre personas que desarrollarán o no la enfermedad: un valor de 0,5 equivale al azar, mientras que 1,0 representa una discriminación perfecta.

Un modelo de inteligencia artificial que predice el riesgo de cáncer es un sistema entrenado con datos clínicos, de laboratorio y de estilo de vida que calcula la probabilidad de que una persona desarrolle la enfermedad en un período determinado, antes de que aparezcan síntomas.

Los resultados fueron especialmente prometedores para los cánceres de pulmón, esófago e hígado. En cambio, la capacidad predictiva resultó más limitada en los tumores de ovario, mama y cuello uterino.

En el caso de la leucemia mieloide aguda y el mieloma múltiple, el rendimiento de los modelos disminuyó a medida que se ampliaba el horizonte de predicción. Según los investigadores, este comportamiento podría indicar que algunas predicciones a corto plazo están detectando señales tempranas de tumores que ya estaban presentes, aunque todavía no se hubieran diagnosticado.

El peso de los análisis de sangre frente a los datos genéticos

Gran parte de la capacidad predictiva de los modelos se sustentó en los resultados de análisis de sangre rutinarios y en los antecedentes clínicos de los pacientes. Estos datos, de bajo costo y recogidos de forma habitual en los sistemas de salud, resultaron determinantes para el rendimiento de los algoritmos.

Los análisis de sangre continuaron aportando información útil incluso para cánceres diagnosticados más de cinco años después del inicio del seguimiento. En contraste, la incorporación de datos genéticos y metabolómicos solo produjo una mejora leve en el rendimiento general de los modelos.

Este hallazgo refuerza la idea de que la información clínica rutinaria, sin necesidad de pruebas genéticas costosas, podría bastar para construir sistemas de detección temprana aplicables a gran escala en los sistemas de salud pública.

Una herramienta para que agentes de inteligencia artificial ejecuten las predicciones

El equipo de investigación también desarrolló una herramienta denominada PRE-Screen, pensada para que agentes de inteligencia artificial basados en grandes modelos de lenguaje puedan ejecutar los modelos de predicción de riesgo de forma sistemática y coherente.

Los agentes que utilizaron esta herramienta obtuvieron resultados considerablemente mejores que aquellos que realizaron las predicciones sin este apoyo, según los datos presentados en el congreso.

El autor principal del estudio, el investigador Paul-Henry Koop, del Centro Else Kröner Fresenius de Salud Digital de la Universidad Técnica de Dresde, en Alemania, explicó que “en determinados tipos de cáncer, estos modelos podrían utilizarse como herramientas de precribado de bajo coste, basadas en datos que ya se recogen de forma habitual en la práctica clínica”.