Archivo - Imagen de recurso diabetes. - SIMPSON33/ISTOCK - Archivo
MADRID 16 Feb. (EUROPA PRESS) -
Un modelo de aprendizaje automático utilizado para predecir la resistencia a la insulina, una condición relacionada con la aparición de diabetes, ha encontrado que esta se sitúa como factor de riesgo para 12 tipos de cáncer, según ha revelado un equipo de investigación liderado por la Universidad de Tokio (Japón).
El estudio, publicado en 'Nature Communications', ha aplicado un modelo basado en aprendizaje automático, una rama de la inteligencia artificial (IA), para la predicción de la resistencia a la insulina a través de nueve parámetros clínicos. El sistema, denominado resistencia a la insulina derivada de inteligencia artificial (IA-IR, por sus siglas en inglés), se ha utilizado en 500.000 participantes del Biobanco del Reino Unido.
"Si bien se ha sugerido una posible relación entre la resistencia a la insulina y el cáncer, la evidencia a gran escala ha sido limitada debido a la dificultad de evaluar la resistencia a la insulina en la clínica. Pero con AI-IR, hemos proporcionado la primera evidencia a escala poblacional de que la resistencia a la insulina es un factor de riesgo de cáncer", ha explicado el investigador Yuta Hiraike, del Hospital Universitario de Tokio.
En concreto, IA-IR encontró una asociación significa con un mayor riesgo de cáncer de útero, riñón, esófago, páncreas, colon y mama, así como asociaciones nominales con cáncer de pelvis renal, intestino delgado, estómago, hígado y vesícula biliar, leucemia, y bronquios y pulmón.
"Y dado que los nueve parámetros de entrada de AI-IR se obtienen mediante chequeos médicos estándar, AI-IR podría implementarse fácilmente para identificar a individuos de alto riesgo y permitir la detección selectiva de diabetes, enfermedades cardiovasculares y cáncer", ha destacado Hiraike, subrayando el potencial de esta herramienta en cribado y diagnóstico.
En la actualidad, es común que el índice de masa corporal (IMC), una medida de la grasa corporal, prediga la resistencia a la insulina de un individuo y su susceptibilidad a cánceres relacionados. Sin embargo, esto conlleva falsos positivos, donde algunas personas obesas se consideran metabólicamente sanas y no sufren los efectos nocivos de la obesidad en la misma medida que otras, y falsos negativos, donde personas con un IMC ideal terminan sufriendo resistencia a la insulina o problemas relacionados generalmente asociados con la obesidad.
Parte del desafío que enfrentaron Hiraike y su equipo fue convencer a los revisores del artículo de que la IA-IR podría superar estas deficiencias de manera confiable y repetible. Los autores demostraron no solo el poder predictivo del modelo de aprendizaje automático, sino también au robustez en diversas condiciones.
"Actualmente, trabajamos para comprender cómo las diferencias genéticas entre individuos influyen en este riesgo y, en última instancia, para vincular datos humanos a gran escala con estudios de biología molecular para desarrollar mejores estrategias para combatir la resistencia a la insulina", ha apuntado Hiraike.
