Ciencia en el mundo

Un algoritmo de IA diseñado por la Universidad de Harvard predijo el cáncer de páncreas tres años antes de los síntomas

ID
Rev. Manrique Vindas Segura
César A. Parral
10. 05. 23

Es una herramienta de inteligencia artificial (AI), desarrollada por científicos (as) de la Universidad de Harvard (Estados Unidos de América) para evaluar el riesgo de cáncer, permitiría acceder a diagnósticos y tratamientos de manera temprana.

El algoritmo de inteligencia artificial (IA) se entrenó con dos conjuntos de datos distintos que sumaban un total de nueve millones de registros de pacientes de Dinamarca y Estados Unidos de América. Los (as) investigadores (as) “pidieron” al modelo de IA que buscara signos reveladores basándose en los datos contenidos en las historias clínicas.

Un algoritmo de inteligencia artificial consiguió identificar a las personas con mayor riesgo de padecer cáncer de páncreas hasta tres años antes del diagnóstico. Solo utilizó las historias clínica de los (as) pacientes.

Los resultados del uso de esa herramienta de inteligencia artificial para evaluar el riesgo de cáncer fueron publicados en la revista Nature Medicine. El trabajo estuvo a cargo de investigadores (as) de la Facultad de Medicina de Harvard (HMS por sus siglas en inglés), y la Universidad de Copenhague, en colaboración con el VA Boston Healthcare System, el Instituto Oncológico Dana-Farber y la Escuela de Salud Pública T.H. Chan de Harvard.

El tamizaje poblacional basado en la inteligencia artificial -según los investigadores (as)- podría ser útil para detectar a las personas con mayor riesgo de padecer el cáncer de páncreas.

También tendría el beneficio de acelerar el diagnóstico de una dolencia que con demasiada frecuencia se detecta en fases avanzadas, cuando el tratamiento es menos eficaz y los resultados son desalentadores.

La incidencia y la mortalidad del cáncer de páncreas están aumentando en todo el mundo, especialmente entre las mujeres y las personas mayores de 50 años, pero también entre personas más jóvenes.

“Una de las decisiones más importantes a las que se enfrentan los (as) médicos en su día a día es quién tiene un riesgo elevado de padecer una enfermedad y quién se beneficiaría de más pruebas, lo que también puede implicar procedimientos más invasivos y costosos que conllevan sus propios riesgos”, señaló Chris Sander, coinvestigador principal del estudio y miembro de la facultad del Departamento de Biología de Sistemas del Instituto Blavatnik del HMS.

“Una herramienta de inteligencia artificial que pueda centrarse en las personas con mayor riesgo de cáncer de páncreas que pueden beneficiarse más de pruebas adicionales podría contribuir en gran medida a mejorar la toma de decisiones clínicas”, agregó.

Aplicado a escala, añadió Sander, este enfoque podría acelerar la detección del cáncer de páncreas, conducir a un tratamiento más tempranos y mejorar los resultados para prolongar la vida de los (as) pacientes.

Søren Brunak, coinvestigador del estudio, profesor de Biología de Sistemas de Enfermedades y director de investigación del Centro de Investigación de Proteínas de la Fundación Novo Nordisk de la Universidad de Copenhague, advirtió: “Muchos tipos de cáncer, sobre todo los difíciles de identificar y tratar precozmente, tienen un coste desproporcionado para los (as) pacientes, las familias y el sistema sanitario en su conjunto”.

“El tamizaje basado en la inteligencia artificial es una oportunidad para modificar la trayectoria del cáncer de páncreas, una enfermedad agresiva que es muy difícil de diagnosticar precozmente y tratar con prontitud, cuando las probabilidades de éxito son mayores”, expresó Brunak.

Nuevo estudio

En el nuevo estudio, el algoritmo de inteligencia artificial (IA) se entrenó con dos conjuntos de datos distintos que sumaban un total de nueve millones de registros de pacientes de Dinamarca y Estados Unidos de América. Los (as) investigadores (as) “pidieron” al modelo de IA que buscara signos reveladores basándose en los datos contenidos en las historias clínicas.

A partir de combinaciones de códigos de enfermedad y del momento en que aparecen, el modelo pudo predecir qué pacientes tienen más probabilidades de desarrollar cáncer de páncreas en el futuro. Cabe destacar que muchos de los síntomas y códigos de enfermedad no estaban directamente relacionados con el páncreas ni procedían de él.

Los (as) investigadores (as) probaron distintas versiones de los modelos de IA para determinar su capacidad de detectar a personas con un riesgo elevado de desarrollar la enfermedad en distintos plazos: 6 meses, un año, dos años y tres años.

En general, cada una de las versiones del algoritmo de inteligencia artificial fue sustancialmente más precisa a la hora de predecir quiénes desarrollarían cáncer de páncreas que las estimaciones actuales de incidencia de la enfermedad en toda la población, definida como la frecuencia con la que se desarrolla una afección en una población durante un período de tiempo específico.

Los (as) investigadores (as) creen que el modelo es al menos tan preciso para predecir la aparición de la enfermedad como las actuales pruebas de secuenciación genética, que normalmente sólo están disponibles para un pequeño subconjunto de pacientes en conjuntos de datos.

El tamizaje de ciertos cánceres comunes, como los de mama, cuello de útero y próstata, se basa en técnicas relativamente sencillas y muy eficaces: una mamografía, una citología vaginal y un análisis de sangre, respectivamente.

Estos métodos han transformado los resultados de estas enfermedades al garantizar la detección precoz y la intervención durante las fases más tratables.

En comparación, el cáncer de páncreas es más difícil y costoso de detectar. Los (as) médicos se fijan principalmente en los antecedentes familiares y la presencia de mutaciones genéticas, que aunque son indicadores importantes de riesgo futuro, suelen pasar por alto a muchos (as) pacientes.

Una ventaja particular de la herramienta de IA es que podría utilizarse en todos y cada uno de los (as) pacientes de los que se disponga de registros sanitarios y las historias médica, no sólo en aquellos (as) con antecedentes familiares conocidos o predisposición genética a la enfermedad.

Esto es especialmente importante, añaden los (as) investigadores (as), porque muchos (as) pacientes de alto riesgo pueden incluso desconocer su predisposición genética o sus antecedentes familiares.

En ausencia de síntomas y sin un indicio claro de que una persona tiene un riesgo elevado de padecer cáncer de páncreas, es comprensible que los (as) médicos se muestren cautelosos (as) a la hora de recomendar pruebas más sofisticadas y costosas, como la tomografía computarizada, la resonancia magnética o la ecografía endoscópica.

Cuando se utilizan estas pruebas y se descubren lesiones sospechosas, el (la) paciente debe someterse a un procedimiento para obtener una biopsia. Situado en el interior del abdomen, el órgano es de difícil acceso y fácil de provocar e inflamar. Su irritabilidad le ha valido el apodo de “el órgano enfadado”.

Contribuiría a la prevención

Según los (as) investigadores (as), una herramienta de IA que identificara a las personas con mayor riesgo de cáncer de páncreas garantizaría que los (as) médicos realizaran las pruebas a la población adecuada, al tiempo que evitaría a los demás pruebas y procedimientos adicionales innecesarios.

Aunque hay tratamientos sofisticados, “existe una clara necesidad de mejores tamizajes, pruebas más específicas y diagnósticos más tempranos, y aquí es donde entra en juego el enfoque basado en la IA como primer paso crítico en este continuo”, dijo Sander.

Para el estudio actual, los (as) investigadores (as) diseñaron varias versiones del modelo de IA y las entrenaron con los historias clínicas de 6,2 millones de pacientes del sistema nacional de salud de Dinamarca a lo largo de 41 años. De esos (as) pacientes, 23.985 desarrollaron cáncer de páncreas a lo largo del tiempo.

Durante el entrenamiento, el algoritmo distinguió patrones indicativos del riesgo futuro de cáncer de páncreas basándose en las trayectorias de la enfermedad, es decir, si el (la) paciente padecía determinadas afecciones que se producían en una secuencia determinada a lo largo del tiempo.

Por ejemplo, diagnósticos como cálculos biliares, anemia, diabetes de tipo 2 y otros problemas gastrointestinales indicaban un mayor riesgo de cáncer de páncreas en los tres años siguientes a la evaluación. Y lo que es menos sorprendente, la inflamación del páncreas pronosticaba con fuerza un futuro cáncer de páncreas en un plazo aún más breve, de dos años.

Los (as) investigadores (as) advierten de que ninguno de estos diagnósticos por sí solo debe considerarse indicativo o causante de un futuro cáncer de páncreas. Sin embargo, el patrón y la secuencia en que se producen a lo largo del tiempo ofrecen pistas para un modelo de vigilancia basado en IA y podrían llevar a que los (as) médicos vigilen más de cerca a las personas con riesgo elevado o indiquen estudios pertinentes.

Más adelante, los (as) investigadores (as) probaron el algoritmo con mejores resultados en un conjunto completamente nuevo de registros de pacientes con el que no se había encontrado antes: un conjunto de datos de la Administración de Salud de Veteranos de Estados Unidos de América de casi 3 millones de registros que abarcaban 21 años y contenían 3.864 personas diagnosticadas de cáncer de páncreas.

La precisión predictiva de la herramienta fue algo menor en el conjunto de datos estadounidense. Esto se debió probablemente a que el conjunto de datos de EEUU se recopiló durante menos tiempo y contenía perfiles de población de pacientes algo diferentes: toda la población de Dinamarca en el conjunto de datos daneses frente al personal militar actual y antiguo en el conjunto de datos de veteranos.

Cuando el algoritmo se volvió a entrenar desde cero con el conjunto de datos estadounidense, su precisión predictiva mejoró. Según los (as) investigadores (as), esto subraya dos puntos importantes: En primer lugar, garantizar que los modelos de IA se entrenen con datos ricos y de alta calidad. En segundo lugar, la necesidad de acceder a grandes conjuntos de datos representativos de historias clínicas agregadas a escala nacional e internacional.

A falta de tales modelos válidos a escala mundial, los modelos de IA deben entrenarse con datos sanitarios locales para garantizar que su entrenamiento refleje la idiosincrasia de las poblaciones locales.

La investigación fue realizada por investigadores (as) de la Facultad de Medicina de Harvard (HMS por sus siglas en inglés), y la Universidad de Copenhague, en colaboración con el VA Boston Healthcare System, el Instituto Oncológico Dana-Farber y la Escuela de Salud Pública T.H. Chan de Harvard..