Archivo - Imagen de recurso de tubos con sangre para su análisis. - JUNTA DE ANDALUCÍA - Archivo
MADRID 26 Oct. (EUROPA PRESS) -
Los modelos de aprendizaje automático basados en datos sanitarios recopilados de forma rutinaria, como los análisis de sangre, los antecedentes médicos y los factores relacionados con el estilo de vida, podrían ayudar a identificar a las personas con mayor riesgo de desarrollar varios de los tipos de cáncer más frecuentes, según un estudio internacional presentado en el Congreso de la Sociedad Europea de Oncología Médica (ESMO, por sus siglas en inglés).
Los investigadores desarrollaron alrededor de 500 modelos de aprendizaje automático para predecir el riesgo de desarrollar 20 tipos de cáncer frecuentes. Para ello, utilizaron datos de 463.620 participantes del Biobanco del Reino Unido (UK Biobank), a quienes se realizó un seguimiento durante aproximadamente 18 años.
En ese periodo, 57.055 participantes desarrollaron cáncer. Los modelos se basaron en distintas variables, como los antecedentes médicos, los factores relacionados con el estilo de vida, los análisis de sangre y los datos genéticos y metabolómicos.
Para evaluar la capacidad de los modelos para predecir el riesgo de cáncer en distintas poblaciones, los investigadores los validaron con datos de participantes de Escocia y Gales, así como de 42.036 personas incluidas en el programa de investigación estadounidense 'All of Us' y de más de tres millones de personas de la base de datos japonesa 'JMDC'.
Además, para minimizar la posible influencia de enfermedades aún no diagnosticadas al inicio del estudio, se excluyeron del análisis correspondiente los casos de cáncer detectados durante el primer año de seguimiento.
Los modelos superaron a los métodos estadísticos tradicionales, aunque su capacidad predictiva varió según el tipo de cáncer. Para un resultado combinado que incluía los tipos de cáncer cuyo riesgo podía estimarse a partir de datos clínicos rutinarios, alcanzaron un área bajo la curva ROC (AUROC) de 0,83 a 15 años. Esta métrica oscila entre 0,5, que indica una capacidad de discriminación equivalente al azar, y 1,0, que corresponde a una discriminación perfecta.
Los resultados fueron prometedores para los cánceres de pulmón, esófago e hígado, mientras que la capacidad predictiva fue más limitada para los de ovario, mama y cuello uterino. En la leucemia mieloide aguda y el mieloma múltiple el rendimiento de los modelos disminuyó al ampliar el horizonte de predicción.
Según los autores, esto sugiere que algunas predicciones a corto plazo podrían estar detectando señales tempranas de tumores ya presentes, aunque todavía no se hubieran diagnosticado.
Gran parte de la capacidad predictiva de los modelos se basó en los resultados de análisis de sangre rutinarios y en los antecedentes clínicos. Los análisis de sangre siguieron aportando información predictiva para los cánceres diagnosticados más de cinco años después, mientras que la incorporación de datos genéticos y metabolómicos solo mejoró ligeramente el rendimiento de los modelos.
Además, el equipo desarrolló 'PRE-Screen', una herramienta diseñada para que los agentes de inteligencia artificial (IA) basados en grandes modelos de lenguaje (LLM, por sus siglas en inglés) puedan ejecutar los modelos de predicción del 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.
PODRÍA CONTRIBUIR A ORIENTAR PROGRAMAS DE CRIBADO Y PREVENCIÓN
"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", ha afirmado el autor principal del estudio, Paul-Henry Koop, del Centro Else Kröner Fresenius de Salud Digital de la Universidad Técnica de Dresde (Alemania).
El investigador ha señalado que estos modelos podrían contribuir a orientar los programas de cribado y las intervenciones destinadas a reducir el riesgo de cáncer.
Por su parte, el director de investigación en Inria Sophia Antipolis, de la Universidad Costa Azul (Francia), Marco Lorenzi, ha subrayado la necesidad de realizar más estudios de validación para evaluar la fiabilidad de los modelos, su capacidad para generalizar los resultados a otras poblaciones y la posible presencia de sesgos.
"El protocolo de análisis automatizado propuesto en este estudio podría ser una herramienta útil para establecer prioridades entre los pacientes, favorecer la detección precoz y evaluar el riesgo. Esto podría contribuir a reducir la carga asistencial y aliviar la presión sobre el sistema sanitario", ha finalizado Lorenzi.
