← Volver al inicio

Enseñar a la IA cuándo abstenerse de responder: NetraAI busca subgrupos de pacientes en datos clínicos

Un estudio retrospectivo que abarca tres tipos de enfermedades muestra que identificar primero unas pocas variables clave puede mejorar el rendimiento predictivo de los modelos existentes. Sin embargo, el sistema solo clasifica a una parte de los pacientes, y los resultados destacados aún requieren validación antes de aplicarse a la selección de tratamientos.

By SURL BioNews

Los pacientes con una misma enfermedad pueden responder de formas radicalmente distintas a un tratamiento; al incluirlos a todos en un mismo análisis, las señales importantes de una minoría pueden quedar ocultas. NetraAI, desarrollado por NetraMark, intenta identificar en los datos clínicos subgrupos de pacientes con características comunes y abstenerse de responder cuando las pruebas son insuficientes. Un estudio retrospectivo recién publicado aporta respaldo preliminar a esta estrategia de análisis y también revela los límites de su aplicación.

El artículo, revisado por pares, se publicó el 4 de septiembre de 2026 en la revista «AI» de MDPI. NetraMark difundió la noticia el 10 de septiembre e incorporó el estudio a su catálogo de publicaciones. La investigación utilizó tres conjuntos de datos existentes: CATIE, sobre esquizofrenia; CAN-BIND, sobre depresión; y COMPASS, sobre cáncer de páncreas. Estos abordaban, respectivamente, la comparación de fármacos antipsicóticos, la respuesta al tratamiento con el antidepresivo escitalopram y la asociación entre distintos regímenes de quimioterapia y la respuesta al tratamiento.

La tarea de NetraAI consiste en buscar combinaciones reducidas de variables que describan grupos específicos de pacientes, para que otros modelos utilicen después esas señales. Ante casos que no pueden clasificarse de forma estable, el sistema puede devolver «No Call», lo que indica que no emite una clasificación. Este diseño permite a los investigadores distinguir qué características podrían contener información útil y a qué pacientes se aplica esa información.

El comunicado de la empresa destaca que los ocho métodos evaluados mejoraron su rendimiento predictivo en los tres conjuntos de datos tras utilizar las variables identificadas por NetraAI. El artículo precisa que este resultado procede de una evaluación interna: al mantener a todos los pacientes, sin excluir los casos difíciles de clasificar, el intervalo global del AUC, un indicador de la capacidad discriminativa de los modelos, pasó de 0.46–0.62 con las variables originales a 0.54–0.78. Esto respalda la utilidad de la selección de variables, pero todavía no permite inferir que pueda aumentar la tasa de éxito de nuevos ensayos.

Al limitar después el análisis a los subgrupos que el sistema podía clasificar de forma estable, el efecto varió según los datos. Los ocho métodos volvieron a mejorar en los conjuntos de depresión y cáncer de páncreas, mientras que solo uno mejoró en el de esquizofrenia. Los pacientes que el sistema pudo clasificar representaban aproximadamente entre el 27.7% y el 40.4% del total de cada conjunto; por tanto, al interpretar las puntuaciones elevadas obtenidas en los subgrupos, también debe tenerse en cuenta que la mayoría de los pacientes no recibió una clasificación.

El análisis del cáncer de páncreas resulta especialmente llamativo. Según el comunicado de la empresa, NetraAI redujo unas 25,000 variables genómicas a una combinación de tres variables; el artículo las describe como tres variantes de un solo nucleótido asociadas con la clasificación de las respuestas según el régimen de quimioterapia entre los pacientes que pudieron clasificarse. Sin embargo, COMPASS contiene datos observacionales, y esta asociación no permite demostrar directamente qué tratamiento es más eficaz para un paciente concreto. Tanto la empresa como el artículo presentan los hallazgos como resultados exploratorios que requieren validación externa.

El estudio contó con la participación del equipo de NetraMark, y su utilidad actual consiste en proponer hipótesis comprobables sobre la agrupación de pacientes. Para decidir a partir de ellas a quién incluir en un próximo ensayo, o incluso ayudar a seleccionar medicamentos en la práctica clínica, será necesario confirmar en datos independientes y estudios planificados de antemano si estas características pueden reproducirse, además de evaluar la situación de los pacientes que no recibieron una clasificación. La verdadera prueba será comprobar si estas señales identificadas en datos antiguos siguen siendo válidas en el siguiente grupo de pacientes.

References

  1. The Manila Times
  2. NetraMark
  3. NetraMark Holdings Inc. via GlobeNewswire / MarketScreener