{"id":2641,"date":"2026-10-26T13:14:36","date_gmt":"2026-10-26T11:14:36","guid":{"rendered":"https:\/\/infoimasd.com\/?p=2641"},"modified":"2026-10-26T13:16:28","modified_gmt":"2026-10-26T11:16:28","slug":"inteligencia-artificial-predecir-riesgo-cancer","status":"publish","type":"post","link":"https:\/\/infoimasd.com\/index.php\/2026\/10\/26\/inteligencia-artificial-predecir-riesgo-cancer\/","title":{"rendered":"La inteligencia artificial podr\u00eda identificar a personas con mayor riesgo de desarrollar 20 tipos de c\u00e1ncer"},"content":{"rendered":"\n<p class=\"has-medium-font-size wp-block-paragraph\"><strong>Los modelos de aprendizaje autom\u00e1tico de IA entrenados con datos sanitarios rutinarios podr\u00edan ayudar a identificar a personas con mayor riesgo de desarrollar distintos tipos de c\u00e1ncer. <\/strong>As\u00ed lo afirma un estudio internacional presentado en el Congreso de la <a href=\"https:\/\/infoimasd.com\/index.php\/2026\/10\/24\/peace-1-abiraterona-cancer-proston-metastasico-esmo-2026\/\" data-type=\"post\" data-id=\"2620\">Sociedad Europea de Oncolog\u00eda M\u00e9dica (ESMO)<\/a> que se est\u00e1 celebra en Madrid hasta ma\u00f1ana 27 de octubre. La investigaci\u00f3n apunta a una posible v\u00eda para orientar futuras estrategias de prevenci\u00f3n y cribado mediante informaci\u00f3n que ya se recoge habitualmente en la pr\u00e1ctica cl\u00ednica.<\/p>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\"><strong>El equipo desarroll\u00f3 cerca de 500 modelos para estimar el riesgo de desarrollar 20 tipos de c\u00e1ncer frecuentes. <\/strong>Para ello, utiliz\u00f3 datos de 463.620 participantes del Biobanco del Reino Unido (<em>UK Biobank<\/em>), seguidos durante aproximadamente 18 a\u00f1os. En ese periodo, 57.055 participantes desarrollaron c\u00e1ncer. Los modelos analizaron variables como los antecedentes m\u00e9dicos, los factores relacionados con el estilo de vida, los resultados de an\u00e1lisis de sangre y, en algunas versiones, los datos gen\u00e9ticos y metabol\u00f3micos. <\/p>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\"><strong>Los modelos superaron a los m\u00e9todos estad\u00edsticos tradicionales<\/strong>, aunque su capacidad predictiva no fue igual para todos los tumores. <strong>Los resultados fueron especialmente prometedores para el c\u00e1ncer de pulm\u00f3n, es\u00f3fago e h\u00edgado<\/strong>, mientras que el rendimiento fue m\u00e1s limitado en los casos de c\u00e1ncer de ovario, mama y cuello uterino. En la leucemia mieloide aguda y el mieloma m\u00faltiple, la capacidad predictiva disminuy\u00f3 al ampliar el horizonte temporal de las estimaciones.<\/p>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\">Para un resultado combinado que agrupaba los tipos de c\u00e1ncer cuyo riesgo pod\u00eda estimarse a partir de datos cl\u00ednicos rutinarios, <strong>los modelos alcanzaron un \u00e1rea bajo la curva ROC (AUROC) de 0,83 a 15 a\u00f1os. Esta m\u00e9trica mide la capacidad de un modelo para distinguir entre personas que desarrollar\u00e1n el evento estudiado y aquellas que no lo har\u00e1n.<\/strong> Un valor de 0,5 equivale a una discriminaci\u00f3n similar al azar, mientras que 1 representa una discriminaci\u00f3n perfecta.<\/p>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\">El resultado <strong>no significa que el sistema detecte el 83% de todos los c\u00e1nceres ni que pueda diagnosticar la enfermedad con esa precisi\u00f3n.<\/strong> Se trata de una medida de discriminaci\u00f3n para un resultado combinado concreto, por lo que el rendimiento debe interpretarse seg\u00fan el tipo de tumor, el horizonte de predicci\u00f3n y la poblaci\u00f3n evaluada.<\/p>\n\n\n\n<h4 class=\"wp-block-heading\">Los an\u00e1lisis de sangre aportan gran parte de la informaci\u00f3n<\/h4>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\"><strong>Una de las conclusiones del trabajo es que los an\u00e1lisis de sangre rutinarios y los antecedentes cl\u00ednicos concentraron buena parte de la capacidad predictiva.<\/strong> Los resultados de los an\u00e1lisis siguieron aportando informaci\u00f3n incluso para los c\u00e1nceres diagnosticados m\u00e1s de cinco a\u00f1os despu\u00e9s. La incorporaci\u00f3n de datos gen\u00e9ticos y metabol\u00f3micos mejor\u00f3 el rendimiento solo de forma limitada.<\/p>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\"><strong>Los investigadores tambi\u00e9n evaluaron los modelos con datos de participantes de Escocia y Gales, de 42.036 personas del programa estadounidense <em>All of Us<\/em> y de m\u00e1s de tres millones de personas de la base de datos japonesa JMDC. <\/strong>Adem\u00e1s, excluyeron del an\u00e1lisis correspondiente los diagn\u00f3sticos producidos durante el primer a\u00f1o de seguimiento para reducir la influencia de posibles enfermedades ya presentes, pero todav\u00eda no detectadas, al inicio del estudio.<\/p>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\"><strong>Estas comprobaciones ampl\u00edan la evaluaci\u00f3n m\u00e1s all\u00e1 de la muestra inicial,<\/strong> 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 h\u00e1bitos de atenci\u00f3n m\u00e9dica y la distribuci\u00f3n de los factores de riesgo pueden afectar a sus resultados.<\/p>\n\n\n\n<h4 class=\"wp-block-heading\">PRE-Screen permite ejecutar las predicciones mediante agentes de IA<\/h4>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\">El equipo desarroll\u00f3 adem\u00e1s PRE-Screen, una herramienta dise\u00f1ada para que agentes de inteligencia artificial basados en grandes modelos de lenguaje (LLM) ejecuten los modelos de predicci\u00f3n de forma sistem\u00e1tica y coherente. Seg\u00fan los resultados presentados, <strong>los agentes que utilizaron esta herramienta obtuvieron un rendimiento considerablemente mejor que aquellos que realizaron las predicciones sin ese apoyo.<\/strong><\/p>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\">Esta parte del trabajo explora c\u00f3mo integrar los modelos de riesgo en flujos de an\u00e1lisis automatizados. No obstante, <strong>la automatizaci\u00f3n del proceso no sustituye la validaci\u00f3n cl\u00ednica del modelo ni convierte sus estimaciones en diagn\u00f3sticos m\u00e9dicos. <\/strong>La utilidad de estas herramientas depender\u00e1 de su fiabilidad, de la calidad de los datos de entrada y de que sus resultados puedan interpretarse adecuadamente por los profesionales sanitarios.<\/p>\n\n\n\n<h4 class=\"wp-block-heading\">Un posible apoyo para orientar el cribado del c\u00e1ncer<\/h4>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\">Paul-Henry Koop, autor principal del estudio e investigador del Centro Else Kr\u00f6ner Fresenius de Salud Digital de la Universidad T\u00e9cnica de Dresde (Alemania), se\u00f1al\u00f3 que estos modelos <strong>podr\u00edan servir como herramientas de precribado de bajo coste para determinados tipos de c\u00e1ncer,<\/strong> al aprovechar datos que ya se recopilan en la asistencia sanitaria.<\/p>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\"><strong>La posibilidad de estimar el riesgo individual podr\u00eda complementar los programas de cribado actuales, <\/strong>que establecen criterios de acceso en funci\u00f3n de factores como la edad o el sexo y se centran en determinados tumores. En la Uni\u00f3n Europea, las recomendaciones incluyen el cribado de los c\u00e1nceres de mama, cuello uterino y colorrectal, y contemplan estudiar la viabilidad de ampliar los programas a otros tipos de c\u00e1ncer, como el de pulm\u00f3n, pr\u00f3stata y, en determinadas circunstancias, est\u00f3mago. [2]<\/p>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\">Sin embargo, <strong>identificar a una persona como de alto riesgo no significa que vaya a desarrollar necesariamente la enfermedad.<\/strong> Los modelos pueden generar falsos positivos y conducir a pruebas adicionales que no aporten beneficios, por lo que cualquier aplicaci\u00f3n cl\u00ednica tendr\u00eda que establecer qu\u00e9 pruebas deben realizarse despu\u00e9s, con qu\u00e9 frecuencia y con qu\u00e9 balance entre beneficios y riesgos.<\/p>\n\n\n\n<h4 class=\"wp-block-heading\">La validaci\u00f3n cl\u00ednica, el siguiente paso<\/h4>\n\n\n\n<p class=\"has-medium-font-size wp-block-paragraph\">El estudio se basa en el an\u00e1lisis retrospectivo de datos ya existentes. Por tanto, <strong>sus resultados muestran potencial predictivo, pero no demuestran que el uso de estos modelos permita diagnosticar el c\u00e1ncer antes, reducir la mortalidad o mejorar los resultados cl\u00ednicos de los pacientes.<\/strong> Para determinar su utilidad real ser\u00e1 necesario realizar estudios prospectivos en los que se eval\u00fae su funcionamiento en la pr\u00e1ctica sanitaria y se compruebe si las decisiones basadas en sus estimaciones mejoran la detecci\u00f3n precoz sin generar un exceso de pruebas innecesarias. Hasta entonces, el aprendizaje autom\u00e1tico debe considerarse una posible herramienta de apoyo a la evaluaci\u00f3n del riesgo, no un sustituto de los programas de cribado recomendados ni del criterio cl\u00ednico.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Cerca de 500 modelos de aprendizaje autom\u00e1tico analizaron datos de 463.620 participantes para estimar el riesgo de desarrollar 20 tipos de c\u00e1ncer. Los resultados son prometedores para algunos tumores, pero requieren validaci\u00f3n cl\u00ednica antes de orientar el cribado.<\/p>\n","protected":false},"author":1,"featured_media":2643,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_hide_featured_image":false,"_jetpack_featured_image_duplicate_dismissed":0,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[11],"tags":[1250,194,1252,1238,31,1251,494,354],"class_list":["post-2641","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-investigacion","tag-aprendizaje-automatico","tag-cancer","tag-deteccion-precoz","tag-esmo-2026","tag-inteligencia-artificial","tag-investigacion-oncologica","tag-medicina-de-precision","tag-salud-digital"],"jetpack_sharing_enabled":true,"jetpack_featured_media_url":"https:\/\/infoimasd.com\/wp-content\/uploads\/2026\/10\/ESMO-Logo.png","_links":{"self":[{"href":"https:\/\/infoimasd.com\/index.php\/wp-json\/wp\/v2\/posts\/2641","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/infoimasd.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/infoimasd.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/infoimasd.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/infoimasd.com\/index.php\/wp-json\/wp\/v2\/comments?post=2641"}],"version-history":[{"count":2,"href":"https:\/\/infoimasd.com\/index.php\/wp-json\/wp\/v2\/posts\/2641\/revisions"}],"predecessor-version":[{"id":2644,"href":"https:\/\/infoimasd.com\/index.php\/wp-json\/wp\/v2\/posts\/2641\/revisions\/2644"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/infoimasd.com\/index.php\/wp-json\/wp\/v2\/media\/2643"}],"wp:attachment":[{"href":"https:\/\/infoimasd.com\/index.php\/wp-json\/wp\/v2\/media?parent=2641"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/infoimasd.com\/index.php\/wp-json\/wp\/v2\/categories?post=2641"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/infoimasd.com\/index.php\/wp-json\/wp\/v2\/tags?post=2641"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}