MADRID 15 Ene. (EUROPA PRESS) -
Un nuevo trabajo de la Asociación Estadounidense para el Avance de la Ciencia (AAAS) publicado en 'Science' afirma que los modelos de predicción clínica de los resultados del tratamiento de la esquizofrenia que funcionan bien en los ensayos a partir de los cuales se desarrollaron no se generalizan a ensayos futuros.
En concreto, Adam Chekroud y su equipo evaluaron cómo de bien se generalizaba un modelo de aprendizaje automático en varios ensayos clínicos independientes de medicamentos antipsicóticos para la esquizofrenia. Si bien los modelos predijeron los resultados de los pacientes con alta precisión dentro del conjunto de datos a partir del cual fueron desarrollados, su desempeño no mejoró los niveles de probabilidad cuando se aplicaron a datos de ensayos independientes. Incluso cuando se agregaron datos de múltiples ensayos clínicos para entrenar el modelo, sus predicciones aún no lograron generalizarse a un ensayo clínico nuevo e independiente.
Los hallazgos sugieren que las aproximaciones de un modelo basadas en un único conjunto de datos proporcionan una visión muy limitada de su desempeño futuro. Los autores destacan tres razones clave por las que esto es probable.
"Se espera que los enfoques de aprendizaje automático puedan eventualmente mejorar la asignación de tratamientos en Medicina; sin embargo, a priori debemos permanecer escépticos ante cualquier hallazgo de un modelo predictivo que carezca de una muestra independiente para su validación", señala.
Cabe tener en cuenta que, a pesar de recibir los mismos tratamientos para las mismas dolencias, algunos pacientes mejoran mientras que otros no muestran ninguna mejoría. Por ello, los enfoques de la medicina de precisión buscan abordar este problema proporcionando tratamientos personalizados.
En este punto, los modelos de aprendizaje automático que pueden extraer gran cantidad de datos complejos identificar los marcadores genéticos, socioeconómicos o biológicos que predicen el tratamiento adecuado para un individuo se consideran herramientas prometedoras para mejorar la medicina de precisión.
Sin embargo, como pone de manifiesto este trabajo, estos modelos a menudo solo se validan en función de su éxito en conjuntos de datos o contextos clínicos cuyos resultados, como la respuesta a un tratamiento determinado, ya se conocen. Así, aunque son fundamentales, no se comprende bien cómo funcionan estos modelos con datos imprevistos o muestras de pacientes independientes.
