← Volver al inicio

Una espera menos por un informe en las reuniones oncológicas: BEAGLE-MDT recibe altas puntuaciones de médicos en una evaluación preliminar de cáncer colorrectal

Desde organizar historias clínicas hasta buscar ensayos clínicos, esta plataforma de IA intenta cubrir las lagunas de información previas a las decisiones del equipo oncológico. Los resultados preliminares de 15 casos sintéticos son prometedores, pero aún queda un paso clave entre que los médicos la consideren útil y demostrar que puede mejorar la atención.

By SURL BioNews

La espera para recibir tratamiento oncológico a veces comienza cuando falta un informe de anatomía patológica o de imagen en la mesa de reuniones. Cuando distintas especialidades deben decidir conjuntamente el siguiente paso para un paciente con cáncer colorrectal, disponer de información completa y haber encontrado ensayos clínicos adecuados puede determinar si la discusión avanza. El estudio preliminar de BEAGLE-MDT, presentado en el congreso anual de 2026 de la Sociedad Europea de Oncología Médica (ESMO), busca que la inteligencia artificial asuma estas tareas de preparación previas a la reunión.

Según el desarrollador, Histofy, el equipo clínico colaborador auditó más de 14.000 registros de discusiones de equipos multidisciplinares sobre cáncer colorrectal correspondientes a más de diez años. Aproximadamente uno de cada 12 casos se aplazó al menos una semana, y los ensayos clínicos solo se consideraron en alrededor de uno de cada 25 casos. Estas cifras muestran las carencias del proceso existente; no constituyen pruebas de que la plataforma ya pueda reducir los retrasos.

BEAGLE-MDT distribuye el trabajo entre agentes de IA interconectados: comprobar que la información esté completa, recopilar guías y evidencia de investigación, identificar ensayos clínicos compatibles y, finalmente, elaborar recomendaciones estandarizadas de manejo. Según lo publicado en *ASCO AI in Oncology*, el diseño del sistema exige que las afirmaciones generadas puedan rastrearse hasta sus fuentes y que todos los resultados sean revisados por el equipo multidisciplinar antes de actuar a partir de ellos. La plataforma también incorpora avisos sobre documentación faltante, para que el equipo identifique qué casos aún no están listos para la toma de decisiones.

El conjunto más claro de validación preliminar disponible hasta ahora procede de 15 casos sintéticos que abarcan distintas localizaciones de las lesiones y estadios, cuyos resultados fueron revisados mediante evaluación ciega por 5 expertos. Según la síntesis del resumen de congreso LBA18 elaborada por Apex AI Institute, en una escala de cinco puntos, las puntuaciones medias oscilaron entre 4.50 y 5.00 para los resúmenes de los casos, entre 4.07 y 4.87 para las recomendaciones de manejo y entre 4.33 y 4.93 para la identificación de ensayos compatibles. Esto respalda la viabilidad de seguir evaluando la plataforma, pero la muestra no corresponde a pacientes reales que estuvieran recibiendo atención.

Qué significan realmente estas puntuaciones altas sigue siendo la cuestión central al interpretar los resultados. Los comentaristas del congreso advirtieron que la valoración subjetiva de los médicos sobre la calidad de las recomendaciones no puede traducirse directamente en una tasa de exactitud clínica. Que un revisor discrepe de una recomendación también puede deberse a diferencias razonables entre opciones terapéuticas, en lugar de a un error claro. Del mismo modo, identificar ensayos potencialmente pertinentes no significa que el paciente cumpla todos los criterios de elegibilidad, ni que finalmente pueda participar o beneficiarse de ellos.

El equipo investigador prevé que la plataforma funcione primero en «modo sombra» junto a reuniones reales, sin intervenir en las decisiones, para después realizar una comparación prospectiva y multicéntrica. Este tipo de estudios permitirá comprobar si reduce los retrasos, las omisiones en la identificación de ensayos compatibles y los errores, así como si la carga de revisión humana contrarresta las ganancias de eficiencia. Histofy es tanto el desarrollador como uno de los financiadores del estudio; las publicaciones relacionadas también revelan que algunos autores trabajan en la empresa y que la pareja de quien presentó el estudio posee acciones de la compañía. En la siguiente etapa, esta plataforma deberá aportar pruebas de resultados asistenciales y de seguridad que puedan verificarse de forma independiente.

References

  1. ASCO AI in Oncology
  2. Histofy
  3. Apex AI Institute