La inteligencia artificial (IA) podría convertirse en una herramienta para identificar a personas con mayor riesgo de desarrollar cáncer, mediante el análisis de información médica que habitualmente recopilan los sistemas de salud, según un estudio presentado en el congreso de la Sociedad Europea de Oncología Médica (ESMO), celebrado en Madrid, España.
Los investigadores desarrollaron alrededor de 500 modelos de aprendizaje automático para calcular las probabilidades de desarrollar 20 tipos de cáncer frecuentes. Para ello, analizaron información de 463,620 participantes del Biobanco del Reino Unido, quienes recibieron seguimiento durante aproximadamente 18 años. En ese período, 57,055 personas desarrollaron algún tipo de cáncer.
Los sistemas utilizaron información de los antecedentes médicos de los pacientes, sus hábitos de vida, resultados de análisis de sangre, características genéticas y datos sobre metabolitos. Los investigadores comprobaron que gran parte de la capacidad de predicción provenía de pruebas sanguíneas rutinarias y del historial clínico, mientras que la incorporación de información genética y metabolómica produjo mejoras relativamente pequeñas.
Para comprobar la efectividad de los modelos en diferentes poblaciones, el equipo también utilizó información de participantes de Escocia y Gales, además de 42,036 personas del programa estadounidense de investigación All of Us y más de tres millones de registros médicos de una base de datos japonesa. Los resultados mostraron un rendimiento superior al de los métodos estadísticos tradicionales, aunque la precisión varió dependiendo del tipo de cáncer analizado.
Los modelos alcanzaron un valor de 0.83 en una escala de capacidad predictiva conocida como AUROC, para una evaluación combinada de riesgo a 15 años. En esta medición, 0.5 representa una capacidad equivalente al azar y 1.0 corresponde a una discriminación perfecta. Los mejores resultados se observaron en cánceres de pulmón, esófago e hígado, mientras que las predicciones fueron menos precisas para los tumores de ovario, mama y cuello uterino.
El estudio también identificó limitaciones en las predicciones relacionadas con la leucemia mieloide aguda y el mieloma múltiple, debido a que su precisión disminuyó cuando se ampliaron los períodos de evaluación. Los investigadores consideran que algunas estimaciones a corto plazo podrían estar identificando señales de tumores que ya existían, pero todavía no habían sido diagnosticados. Para reducir este efecto, excluyeron del análisis correspondiente los cánceres detectados durante el primer año de seguimiento. Además, comprobaron que los análisis de sangre conservaban utilidad predictiva incluso para diagnósticos realizados más de cinco años después.
Como parte de la investigación, el equipo desarrolló una herramienta denominada PRE-Screen, diseñada para que agentes de inteligencia artificial basados en grandes modelos de lenguaje puedan ejecutar los sistemas de predicción de manera uniforme. Los agentes que utilizaron esta herramienta consiguieron resultados considerablemente mejores que aquellos que realizaron las estimaciones sin ese apoyo. “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 explicado 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 señalaron que los programas actuales de detección temprana suelen concentrarse en determinados cánceres y utilizan criterios generales para seleccionar a los pacientes, en lugar de evaluar individualmente sus riesgos. En la Unión Europea, estas recomendaciones se enfocaron tradicionalmente en los cánceres de mama, cuello uterino y colorrectal, aunque también se estudia su ampliación. Pese a los resultados prometedores, los especialistas advirtieron que todavía se necesitan nuevas investigaciones para comprobar la fiabilidad de los modelos, su funcionamiento en otras poblaciones y la posible existencia de sesgos antes de extender su utilización clínica.