
Los modelos de aprendizaje automático de IA entrenados con datos sanitarios rutinarios podrían ayudar a identificar a personas con mayor riesgo de desarrollar distintos tipos de cáncer. Así lo afirma un estudio internacional presentado en el Congreso de la Sociedad Europea de Oncología Médica (ESMO) que se está celebra en Madrid hasta mañana 27 de octubre. La investigación apunta a una posible vía para orientar futuras estrategias de prevención y cribado mediante información que ya se recoge habitualmente en la práctica clínica.
El equipo desarrolló cerca de 500 modelos para estimar el riesgo de desarrollar 20 tipos de cáncer frecuentes. Para ello, utilizó datos de 463.620 participantes del Biobanco del Reino Unido (UK Biobank), seguidos durante aproximadamente 18 años. En ese periodo, 57.055 participantes desarrollaron cáncer. Los modelos analizaron variables como los antecedentes médicos, los factores relacionados con el estilo de vida, los resultados de análisis de sangre y, en algunas versiones, los datos genéticos y metabolómicos.
Los modelos superaron a los métodos estadísticos tradicionales, aunque su capacidad predictiva no fue igual para todos los tumores. Los resultados fueron especialmente prometedores para el cáncer de pulmón, esófago e hígado, mientras que el rendimiento fue más limitado en los casos de cáncer de ovario, mama y cuello uterino. En la leucemia mieloide aguda y el mieloma múltiple, la capacidad predictiva disminuyó al ampliar el horizonte temporal de las estimaciones.
Para un resultado combinado que agrupaba los tipos de cáncer 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 el evento estudiado y aquellas que no lo harán. Un valor de 0,5 equivale a una discriminación similar al azar, mientras que 1 representa una discriminación perfecta.
El resultado no significa que el sistema detecte el 83% de todos los cánceres ni que pueda diagnosticar la enfermedad con esa precisión. Se trata de una medida de discriminación para un resultado combinado concreto, por lo que el rendimiento debe interpretarse según el tipo de tumor, el horizonte de predicción y la población evaluada.
Los análisis de sangre aportan gran parte de la información
Una de las conclusiones del trabajo es que los análisis de sangre rutinarios y los antecedentes clínicos concentraron buena parte de la capacidad predictiva. Los resultados de los análisis siguieron aportando información incluso para los cánceres diagnosticados más de cinco años después. La incorporación de datos genéticos y metabolómicos mejoró el rendimiento solo de forma limitada.
Los investigadores también evaluaron los modelos con datos de participantes de Escocia y Gales, de 42.036 personas del programa estadounidense All of Us y de más de tres millones de personas de la base de datos japonesa JMDC. Además, excluyeron del análisis correspondiente los diagnósticos producidos durante el primer año de seguimiento para reducir la influencia de posibles enfermedades ya presentes, pero todavía no detectadas, al inicio del estudio.
Estas comprobaciones amplían la evaluación más allá de la muestra inicial, aunque no eliminan la necesidad de estudiar el funcionamiento de los modelos en otros sistemas sanitarios y poblaciones. Las diferencias en los datos disponibles, los hábitos de atención médica y la distribución de los factores de riesgo pueden afectar a sus resultados.
PRE-Screen permite ejecutar las predicciones mediante agentes de IA
El equipo desarrolló además PRE-Screen, una herramienta diseñada para que agentes de inteligencia artificial basados en grandes modelos de lenguaje (LLM) ejecuten los modelos de predicción de forma sistemática y coherente. Según los resultados presentados, los agentes que utilizaron esta herramienta obtuvieron un rendimiento considerablemente mejor que aquellos que realizaron las predicciones sin ese apoyo.
Esta parte del trabajo explora cómo integrar los modelos de riesgo en flujos de análisis automatizados. No obstante, la automatización del proceso no sustituye la validación clínica del modelo ni convierte sus estimaciones en diagnósticos médicos. La utilidad de estas herramientas dependerá de su fiabilidad, de la calidad de los datos de entrada y de que sus resultados puedan interpretarse adecuadamente por los profesionales sanitarios.
Un posible apoyo para orientar el cribado del cáncer
Paul-Henry Koop, autor principal del estudio e investigador del Centro Else Kröner Fresenius de Salud Digital de la Universidad Técnica de Dresde (Alemania), señaló que estos modelos podrían servir como herramientas de precribado de bajo coste para determinados tipos de cáncer, al aprovechar datos que ya se recopilan en la asistencia sanitaria.
La posibilidad de estimar el riesgo individual podría complementar los programas de cribado actuales, que establecen criterios de acceso en función de factores como la edad o el sexo y se centran en determinados tumores. En la Unión Europea, las recomendaciones incluyen el cribado de los cánceres de mama, cuello uterino y colorrectal, y contemplan estudiar la viabilidad de ampliar los programas a otros tipos de cáncer, como el de pulmón, próstata y, en determinadas circunstancias, estómago. [2]
Sin embargo, identificar a una persona como de alto riesgo no significa que vaya a desarrollar necesariamente la enfermedad. Los modelos pueden generar falsos positivos y conducir a pruebas adicionales que no aporten beneficios, por lo que cualquier aplicación clínica tendría que establecer qué pruebas deben realizarse después, con qué frecuencia y con qué balance entre beneficios y riesgos.
La validación clínica, el siguiente paso
El estudio se basa en el análisis retrospectivo de datos ya existentes. Por tanto, sus resultados muestran potencial predictivo, pero no demuestran que el uso de estos modelos permita diagnosticar el cáncer antes, reducir la mortalidad o mejorar los resultados clínicos de los pacientes. Para determinar su utilidad real será necesario realizar estudios prospectivos en los que se evalúe su funcionamiento en la práctica sanitaria y se compruebe si las decisiones basadas en sus estimaciones mejoran la detección precoz sin generar un exceso de pruebas innecesarias. Hasta entonces, el aprendizaje automático debe considerarse una posible herramienta de apoyo a la evaluación del riesgo, no un sustituto de los programas de cribado recomendados ni del criterio clínico.





