Un nuevo modelo de IA detecta cáncer oculto con un 94 % de especificidad

El Hospital Universitario Infanta Leonor, integrado en la red pública de salud de la Comunidad de Madrid, encabeza una investigación multicéntrica que ha desarrollado un modelo predictivo basado en técnicas de aprendizaje automático (machine learning, ML). Este modelo tiene como objetivo estimar el riesgo de padecer un cáncer oculto entre 30 días y 24 meses después de haber sufrido un episodio de tromboembolismo venoso (TEV).

La predicción de cáncer oculto en los pacientes

La enfermedad tromboembólica venosa (ETEV), que abarca tanto la trombosis venosa profunda como la embolia pulmonar, puede ser una manifestación inicial de un cáncer no diagnosticado. Identificar estos tumores en etapas tempranas podría mejorar notablemente las tasas de supervivencia de los pacientes. Los resultados del estudio, denominado “CLOVER”, han sido publicados recientemente en la revista Medicina, situada en el primer cuartil de su categoría.

Esta investigación, de carácter retrospectivo, observacional y multicéntrico, analizó datos recopilados entre 2005 y 2021 de 815 pacientes con TEV, atendidos en el Hospital Universitario Infanta Leonor y el Hospital Universitario de Fuenlabrada. Se utilizaron técnicas de Machine Learning Prediction (MLP), una forma de inteligencia artificial que, a partir del análisis de grandes volúmenes de datos (Big Data), permite construir modelos predictivos de alta precisión. Durante el seguimiento, se diagnosticaron 56 casos de cáncer oculto (6,9 %). Los tipos de cáncer más frecuentes detectados fueron próstata, pulmón y tracto digestivo en varones, y tracto digestivo, mama y hematológicos en mujeres. En el 39 % de los casos, los tumores se descubrieron en fases avanzadas. Para construir el modelo, se analizaron 121 variables, de las cuales 15 fueron seleccionadas para el modelo final, todas ellas de fácil acceso, incluyendo edad, sexo, presión arterial y parámetros analíticos como el dímero-D y la hemoglobina.

Modelo predictivo de alta especificidad

Este modelo predictivo ha demostrado una capacidad diagnóstica superior en comparación con herramientas anteriores basadas en análisis multivariante. La precisión de esta nueva herramienta es considerablemente mayor que la de las escalas pronósticas utilizadas en la actualidad, que han mostrado un rendimiento limitado en la práctica clínica. En particular, el modelo alcanza una especificidad del 94 %, lo que implica una alta fiabilidad para descartar correctamente la presencia de cáncer en pacientes que no lo padecen. Esta herramienta podría facilitar la detección precoz de tumores en pacientes en riesgo, lo que contribuiría a aumentar la supervivencia, al tiempo que evitaría pruebas innecesarias en personas sin indicios de enfermedad oncológica.

En el desarrollo del estudio han colaborado los servicios de Medicina Interna y Anatomía Patológica del Hospital Universitario Infanta Leonor, centro que lidera el proyecto, así como los servicios de Medicina Interna de los hospitales universitarios de Fuenlabrada y 12 de Octubre, entre otros centros de la Comunidad de Madrid.

En los próximos meses, se llevará a cabo una evaluación de la herramienta en distintos centros, un paso clave para su futura implementación clínica a gran escala, con el objetivo de contribuir significativamente a mejorar la calidad de vida de estos pacientes.

Este modelo predictivo ha sido recientemente galardonado en la segunda edición de los Premios 'Ennova Health', organizados por Diario Médico y Correo Farmacéutico, los cuales reconocen proyectos digitales en el ámbito de la salud que generan valor, promueven la sostenibilidad del sistema sanitario y favorecen el bienestar del paciente.

El Hospital Universitario Infanta Leonor, a la cabeza de la innovación

El Hospital Universitario Infanta Leonor continúa apostando por la innovación como una herramienta clave para la mejora constante, tal como se establece en las distintas líneas de actuación de su Plan Estratégico 2021-2025. El centro desarrolla numerosos proyectos que incorporan tecnologías punteras, como la inteligencia artificial y la robótica.

Algunos de estos incluyen el proyecto Atheroscope, que emplea IA para anticipar el riesgo cardiovascular; un sistema de patología digital que mejora la precisión diagnóstica; una app móvil para la gestión automatizada de la formación y docencia; el uso de inteligencia artificial en el manejo de historias clínicas; un algoritmo para clasificar y apoyar la toma de decisiones clínicas en la detección temprana del fallo renal agudo; el desarrollo de herramientas para la identificación precoz de cáncer oculto; y la realidad virtual aplicada al tratamiento de niños, entre otros muchos avances.