Una IA podría predecir el riesgo de cáncer de páncreas años antes del diagnóstico

Actualizado hace 8 minutos

El cáncer de páncreas suele detectarse cuando la enfermedad ya está avanzada, lo que dificulta las posibilidades de tratamiento. El problema es que sus primeras señales pueden ser difíciles de identificar y el cribado generalizado no resulta viable. Ahora, un equipo de investigadores ha buscado una forma de encontrar pistas mucho antes del diagnóstico.

Investigadores de la Clínica Mayo (Estados Unidos) han diseñado un modelo de inteligencia artificial que potencialmente puede predecir el riesgo de que una persona desarrolle cáncer de páncreas años antes del diagnóstico. La investigación se presentará en el Congreso Clínico del Colegio Americano de Cirujanos (ACS, por sus siglas en inglés) de 2026 en Washington.

El cáncer de páncreas es relativamente raro, pero muy mortal. Su proporción en las muertes por cáncer es desproporcionada: el cáncer de páncreas representa aproximadamente el 3% de todos los nuevos casos de cáncer, pero el 8% de todas las muertes por cáncer.

"El cáncer de páncreas puede ser curable, pero solo si se detecta a tiempo, y menos de uno de cada cinco pacientes recibe un diagnóstico oportuno", comenta el doctor Cornelius Thiels, oncólogo quirúrgico de la Clínica Mayo en Rochester, Minnesota, y coautor del estudio. "Como resultado, la supervivencia de muchos pacientes todavía se mide en meses, no en años".

LA IA ENCUENTRA SEÑALES ANTES DE QUE LLEGUE EL DIAGNÓSTICO

Lamentablemente, el cribado universal del cáncer de páncreas no es factible, detalla el doctor Thiels, por lo que su equipo se propuso desarrollar un modelo de IA que pueda identificar a los pacientes con mayor riesgo de desarrollar cáncer de páncreas. "Sabemos que el cáncer de páncreas se desarrolla a lo largo de cinco a siete años, pero los síntomas que observa un médico o un paciente no aparecen hasta que es demasiado tarde", asegura.

El modelo desarrollado por el doctor Thiels, el autor principal del estudio y su equipo, utilizó el historial clínico longitudinal de cada paciente -esencialmente, la información detallada y completa del expediente médico electrónico del paciente para obtener una visión integral de su salud a lo largo del tiempo- del sistema de la Clínica Mayo. El modelo combinó esos datos con los resultados de análisis de laboratorio rutinarios realizados durante un promedio de una década o más.

El conjunto de datos del estudio incluyó a 6.066 personas con cáncer de páncreas y 33.396 controles con historiales clínicos de entre 7,5 y 19 años. El objetivo era identificar indicios sutiles que pudieran señalar un riesgo de cáncer de páncreas en una etapa temprana, explica el doctor Thiels.

Para evaluar la eficacia del modelo en la predicción del cáncer de páncreas tres años antes del diagnóstico, los investigadores calcularon el área bajo la curva ROC (AUROC) para diferenciar entre personas con riesgo de padecer cáncer de páncreas y aquellas con bajo riesgo. El AUROC fue de 0,853, en una escala donde 1,0 representa una discriminación perfecta y 0,5 no es mejor que el azar. El modelo también demostró una gran capacidad para identificar a los pacientes con riesgo real, minimizando los falsos positivos, con un área bajo la curva de precisión-exhaustividad (AUPRC) de 0,712.

El estudio también demostró que el modelo estaba bien calibrado en la curva de calibración, una medida de cuán cerca coincide el riesgo predicho por el modelo con lo que realmente sucede, con una pendiente de 1,08 en la gráfica de calibración. "Nuestro modelo demostró que un riesgo de cáncer de páncreas superior al 50%, según la predicción del modelo, indicaba una probabilidad del 88% de ser diagnosticado con cáncer de páncreas en un año", agrega el doctor Varghese, científico de datos quirúrgicos en la Clínica Mayo en Rochester.

"Diseñamos este modelo para que fuera lo más generalizable, escalable y fácil de implementar posible", añade Varghese. Los datos de entrada en los que se basa el modelo se recopilan de forma casi universal en los sistemas hospitalarios de todo el mundo, explica Varghese. "Si se demuestra su eficacia, podría utilizarse en prácticamente cualquier entorno", agrega.

"Estamos demostrando que podemos trasladar esta herramienta de investigación retrospectiva a nuestro entorno clínico y ejecutarla de forma prospectiva para su validación. Además, estamos desarrollando arquitecturas de aprendizaje automático más avanzadas, que parecen mejorar aún más el rendimiento", resumen los autores.