El Hospital Universitario Infanta Leonor, de Vallecas, lidera un estudio multicéntrico que ha desarrollado un modelo predictivo, que utiliza aprendizaje automático (machine learning, ML) para detectar cáncer oculto. Participan también el hospital 12 de Octubre y el Universitario de Fuenlabrada.
El sistema evalúa el riesgo de cáncer oculto entre los 30 días y 24 meses después de que un paciente haya sufrido un evento trombótico venoso (TEV). Y es que la enfermedad tromboembólica venosa (ETEV), que incluye la trombosis venosa profunda y la embolia pulmonar, puede ser la primera manifestación de un cáncer no diagnosticado.
La detección temprana de estos cánceres podría aumentar significativamente la supervivencia de los pacientes. En este sentido, el estudio ‘Clover’ se ha publicado recientemente.
Se trata de un estudio multicéntrico, observacional retrospectivo, que incluyó datos registrados entre 2005 y 2021 de 815 pacientes con TEV de dos hospitales madrileños (Hospital Universitario Infanta Leonor y Hospital Universitario de Fuenlabrada).
Para ello, se emplearon técnicas de Machine Learning Prediction (MLP), que es un tipo de inteligencia artificial que a través de grandes cantidades de información (Big Data) genera un modelo predictivo con una eleva da potencia.
Diagnósticos positivos
Durante el seguimiento, 56 pacientes (6,9%) fueron diagnosticados de cáncer oculto. Los cánceres detectados más frecuentes fueron de próstata, pulmón y tracto gastro
intestinal en hombres, y gastrointestinal, mama y hematológico en mujeres. En el 39% de los casos, el cáncer se diagnosticó en etapas avanzadas.
Un total de 121 variables fueron exploradas para el análisis predictivo. El modelo final integra 15 variables fácilmente obtenibles que incluyen la edad, género, la presión arterial y parámetros analíticos, como el dímero-D y la hemoglobina.
Capacidad diagnóstica
El modelo desarrollado tiene una mayor capacidad diagnóstica en relación a los modelos predictivos anteriormente desarrollados basados en técnicas de análisis multivariante.
La precisión obtenida por la herramienta es muy alta frente a las escalas pronósticas actuales, que han mostrado un rendimiento limitado en la práctica clínica.
En concreto, tiene una especificidad del 94% (probabilidad de que se identifique como no enfermo a aquél que efectivamente no lo está). La herramienta puede permitir detectar de forma precoz a pacientes con cánceres incipientes, mejorando la supervivencia de los pacientes con cáncer, y evitando así estudios innecesarios en otros pacientes sin tumores.
