Tecnología biomédica · global
Leer las señales tempranas del cáncer en las historias clínicas rutinarias: Oncoformer identifica el alto riesgo con un año de antelación
Este modelo multimodal aprende las trayectorias del cáncer a partir de pruebas, signos vitales y radiografías de tórax de millones de personas, y muestra de forma preliminar potencial en la alerta temprana, la estadificación y el pronóstico; sin embargo, el sesgo poblacional y el diseño retrospectivo aún lo mantienen fuera de la validación clínica.
Gran parte del tiempo más valioso para tratar muchos cánceres se pierde en el intervalo en que los síntomas aún no han aparecido y los programas actuales de detección todavía no han intervenido. Un estudio publicado en «Cell» presenta Oncoformer, un modelo de inteligencia artificial multimodal que intenta reconocer de forma temprana las señales sutiles que deja el cáncer en los datos que los sistemas sanitarios ya acumulan a diario, en lugar de recoger por separado costosas muestras especializadas.
El equipo de investigación entrenó y probó el modelo con la base de datos COMPASS. Los principales datos de desarrollo abarcaron a 2,81 millones de personas y aproximadamente 11,93 millones de consultas médicas; junto con una cohorte independiente de validación repetida, el conjunto incluyó a más de 3,67 millones de personas y alrededor de 17,75 millones de registros clínicos, de las cuales cerca de 348.000 tenían cáncer. Los datos de entrada incluyeron los signos vitales históricos, las pruebas rutinarias y las radiografías de tórax obtenidas durante la atención médica, lo que permitió al modelo construir una representación de la salud del paciente a lo largo del tiempo.
En la tarea de determinar si una persona tenía cáncer en ese momento, Oncoformer obtuvo un área bajo la curva de características operativas del receptor (AUROC) de 0,956; al predecir si recibiría un diagnóstico de cáncer durante el año siguiente, el AUROC fue de 0,869. Este último análisis excluyó los datos de los 90 días anteriores al diagnóstico para reducir la posibilidad de que el modelo se limitara a detectar que ya se habían iniciado las pruebas clínicas. El AUROC refleja la capacidad del modelo para distinguir entre casos y no casos, pero no equivale a la probabilidad individual de tener cáncer ni demuestra directamente que una alerta anticipada pueda reducir la mortalidad.
La utilidad del modelo no se limita a detectar el cáncer. El estudio muestra que, al estimar el estadio tumoral a partir de datos anteriores al diagnóstico, alcanzó un AUROC medio superior a 0,90; al predecir cambios posteriores en el tumor o en biomarcadores en seis contextos terapéuticos, el coeficiente de determinación osciló entre 0,573 y 0,721, y también pudo distinguir, en diez tipos de cáncer, a pacientes con distintos riesgos de recaída. Indicadores rutinarios como la albúmina, la proporción de neutrófilos, la fosfatasa alcalina y la lactato deshidrogenasa fueron señales importantes para algunas tareas, pero estas asociaciones aún no bastan para determinar si el modelo identifica el propio cáncer o las enfermedades concomitantes y los patrones de utilización de la atención sanitaria.
El estudio también seleccionó, entre 38.059 personas que habían consentido participar en reconocimientos médicos, a 3.025 personas asintomáticas clasificadas por el modelo como de alto riesgo para realizar un ensayo de detección del cáncer colorrectal; el modelo identificó 54 de los 60 casos de cáncer, con una sensibilidad del 90 %, una especificidad del 86,8 % y un AUROC de 0,927. Este ensayo prospectivo aporta evidencia adicional de viabilidad clínica, pero se centró en un grupo seleccionado de alto riesgo, por lo que no puede representar el desempeño real de la detección en la población general ni constituye un ensayo aleatorizado que compare resultados médicos.
El equipo también utilizó datos del Biobanco del Reino Unido para evaluar la capacidad del modelo fuera de su entorno original de desarrollo. La versión ajustada con datos locales mejoró la predicción del riesgo de varios tipos de cáncer, especialmente los de pulmón y páncreas. Sin embargo, más del 99 % de la cohorte COMPASS era de origen asiático, mientras que el Biobanco del Reino Unido está compuesto principalmente por participantes voluntarios de ascendencia europea blanca; las diferencias entre sistemas sanitarios en la frecuencia de las pruebas, los datos ausentes y los hábitos de utilización de la atención médica podrían hacer que el modelo aprenda señales difíciles de transferir.
Por tanto, Oncoformer se aproxima actualmente más a una herramienta de estratificación del riesgo pendiente de validación que a un sistema diagnóstico capaz de sustituir la mamografía, la tomografía computarizada de baja dosis o la detección del cáncer colorrectal. Para incorporarse a la atención habitual, aún deberá someterse a grandes estudios prospectivos en poblaciones diversas y de riesgo promedio, y responder a cuestiones como cuántas pruebas adicionales generarían los falsos positivos, si realmente puede adelantar el diagnóstico y si las recomendaciones terapéuticas están afectadas por sesgos de los datos observacionales.