Madrid, (EFE).- Los modelos de inteligencia artificial y aprendizaje automático basados en datos de salud recopilados de forma rutinaria han demostrado su potencial para identificar a personas con mayor riesgo de desarrollar varios de los tipos de cáncer más comunes.
Así lo destaca un estudio presentado en el congreso de la Sociedad Europea de Oncología Médica (ESMO), celebrado en Madrid, según el cual algunos de los datos que se recogen de forma rutinaria, como análisis de sangre, antecedentes médicos y factores de estilo de vida, podrían ser muy útiles para detectar personas en riesgo.
Los investigadores desarrollaron alrededor de 500 modelos de aprendizaje automático para predecir el riesgo de desarrollar 20 cánceres comunes.
Para ello, utilizaron datos de 463.620 participantes del Biobanco del Reino Unido (UK Biobank), que fueron seguidos durante aproximadamente 18 años, y encontraron que durante ese período, 57.055 participantes desarrollaron cáncer.
Los modelos se basaron en diferentes variables, incluidos el historial médico, factores del estilo de vida, análisis de sangre y datos genéticos y de metabolitos.
Para evaluar la capacidad de los modelos para predecir el riesgo de cáncer en diferentes 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 más de tres millones de personas de una base de datos japonesa.
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, y los modelos superaron a los métodos estadísticos tradicionales, aunque su capacidad predictiva variaba en función del tipo de cáncer.
Para un resultado combinado que incluía tipos de cáncer cuyo riesgo podía estimarse a partir de datos clínicos de rutina, lograron un área bajo la curva conocida como ‘ROC’ (AUROC) de 0,83 a los 15 años, una métrica que va desde 0,5, que indica una capacidad de discriminación equivalente al azar, hasta 1,0, que corresponde a una discriminación perfecta.
Los resultados fueron especialmente prometedores para los cánceres de pulmón, esófago y de hígado, mientras que el poder predictivo fue más limitado para los cánceres de ovario, mama y cuello uterino.
En la leucemia mieloide aguda y el mieloma múltiple, el rendimiento de los modelos disminuyó a medida que se expandió el horizonte de predicción, lo que sugiere que algunas predicciones a corto plazo podrían detectar signos tempranos de tumores ya presentes, incluso si aún no han sido diagnosticados.
Gran parte del poder predictivo de los modelos se basó en los resultados de los análisis de sangre de rutina y la historia clínica.
Los análisis de sangre continuaron brindando información predictiva para los cánceres diagnosticados más de cinco años después, mientras que la adición de datos genéticos y metabolómicos solo mejoró ligeramente el rendimiento de los modelos.
Además, el equipo desarrolló una herramienta (‘PRE-Screen), para que agentes de inteligencia artificial basados en grandes modelos de lenguaje puedan ejecutar modelos de predicción de riesgos de forma sistemática y coherente, y así, los ‘agentes’ que utilizaron esta herramienta obtuvieron resultados considerablemente mejores que aquellos que realizaron las predicciones sin este soporte.
“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 rutinaria en la práctica clínica”, explicó el autor principal del estudio, el investigador Paul-Henry Koop, del Centro Else Kröner Fresenius de Salud Digital de la Universidad Técnica de Dresde (Alemania).
Los investigadores han observado que los programas de detección actuales se centran en ciertos tipos de cáncer y a menudo establecen criterios generales de elegibilidad, en lugar de evaluar el riesgo individual de cada persona.
En la Unión Europea, las recomendaciones de cribado se han centrado tradicionalmente en los cánceres de mama, de cuello uterino y colorrectal, aunque el Consejo de la UE también recomienda explorar la posibilidad de ampliar estos programas a otros tipos de cáncer.
Los investigadores han destacado 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.
