IA y medicina preventiva: un nuevo algoritmo predice el riesgo de cáncer de hígado con datos clínicos de rutina

Investigadores de la Universidad RWTH Aachen desarrollaron un modelo de aprendizaje automático que supera a las herramientas actuales de detección de hepatocarcinoma. Validada con datos de 900.000 personas, la herramienta identifica casos incluso en pacientes sin enfermedad hepática previa.

La detección temprana del carcinoma hepatocelular (CHC) representa uno de los desafíos más apremiantes para la oncología moderna y la gestión de sistemas de salud. Al ser el sexto cáncer más mortal a nivel global, su naturaleza asintomática en etapas iniciales suele derivar en diagnósticos tardíos, cuando las opciones curativas son limitadas. Sin embargo, un nuevo estudio publicado en Cancer Discovery promete cambiar las reglas del juego mediante el uso de inteligencia artificial aplicada a la medicina primaria.

Un equipo de investigación liderado por la Dra. Carolin Schneider, profesora asistente de la Universidad RWTH Aachen, ha desarrollado un modelo de machine learning capaz de predecir el riesgo de CHC con una precisión notable. Lo disruptivo de este avance no es solo su capacidad analítica, sino su insumo: el algoritmo no requiere costosos testeos genómicos, sino que utiliza datos clínicos básicos y resultados de análisis de sangre de rutina que ya están disponibles en las historias clínicas electrónicas.

El proyecto cobra especial relevancia para el sector corporativo y prestacional de la salud, dado que aproximadamente el 20% de los casos de CHC se desarrollan en individuos sin evidencia previa de enfermedad hepática, quedando fuera de las guías actuales de vigilancia. Esta herramienta permitiría realizar un triaje eficiente desde la atención primaria, optimizando la derivación a especialistas y reduciendo los costos asociados a tratamientos de alta complejidad en estadios avanzados.

El poder de los datos de rutina sobre la complejidad genómica

El modelo, entrenado con información del UK Biobank (más de 500.000 individuos) y validado externamente con el programa All of Us de Estados Unidos (más de 400.000 participantes), utiliza un enfoque de «bosque aleatorio» (random forest). Esta técnica combina múltiples árboles de decisión para procesar variables como demografía, antecedentes médicos y niveles enzimáticos.

Uno de los hallazgos más sorprendentes del estudio es que la inclusión de datos ómicos complejos no mejoró significativamente el rendimiento del sistema. Esto sugiere que los parámetros clínicos estándar son suficientes para una predicción de alto impacto. El modelo alcanzó una puntuación AUROC de 0.88 (donde 1 representa la perfección), demostrando una alta capacidad para distinguir entre pacientes con y sin riesgo de cáncer.

La Dra. Schneider –entre los 30 Jóvenes Destacados de la revista Forbes– destacó el propósito de la herramienta en declaraciones a medios especializados: “Esperamos que nuestro cribado previo pueda utilizarse en la atención primaria para realizar un triaje de quién debe recibir atención hepatológica adicional”. Según la experta, esta detección precoz es fundamental, ya que “al identificar potencialmente a más personas en riesgo de forma temprana, podemos desarrollar vías para derivarlas a programas de detección o vigilancia. Con suerte, esto nos ayudará a detectar el CHC en una etapa más temprana, ya que la detección precoz del CHC está fuertemente relacionada con opciones de tratamiento más curativas”.

Superando los estándares actuales: Menos falsos positivos

Actualmente, los profesionales de la salud utilizan herramientas como FIB-4, APRI o el score aMAP para evaluar la fibrosis o el riesgo de cáncer. Sin embargo, el nuevo modelo de IA demostró una superioridad estadística al identificar más casos reales de CHC y, simultáneamente, reducir la tasa de falsos positivos, lo que evita intervenciones innecesarias y angustia en el paciente.

La Dra. Schneider explicó las falencias de los métodos actuales que este algoritmo busca subsanar: “Los enfoques de vigilancia actuales se basan en gran medida en la cirrosis, pero esto pasa por alto casos de CHC ya que la enfermedad hepática crónica, y especialmente la cirrosis, a menudo están subdiagnosticadas”. Al respecto, añadió que su propuesta “permite identificar a individuos en riesgo de CHC con mejor precisión y recuperación que las puntuaciones utilizadas actualmente en nuestra cohorte analizada”.

Escalabilidad y futuro en los sistemas de salud

Para garantizar que la tecnología sea adoptable por hospitales y redes de medicina privada, el equipo simplificó el algoritmo a solo 15 parámetros clínicos de recolección habitual. Además, han puesto el código a disposición de la comunidad científica para su validación en diferentes contextos geográficos y étnicos.

A pesar de los resultados prometedores, el camino hacia la implementación masiva requiere validaciones prospectivas multicéntricas. El modelo actual se basó en datos retrospectivos, lo que plantea la necesidad de probarlo en tiempo real dentro de flujos de trabajo clínicos activos.

“Necesitamos una validación prospectiva multicéntrica que demuestre que nuestra puntuación identifica a los pacientes que necesitan atención hepatológica”, señaló Schneider, concluyendo con una invitación a la colaboración institucional: “Esperamos que múltiples centros clínicos prueben el modelo y estamos encantados de brindar apoyo”.

Este avance subraya el potencial de la inteligencia artificial para transformar datos administrativos y de laboratorio en herramientas de medicina de precisión, reconfigurando las estrategias de prevención en el segmento de las enfermedades oncológicas de alta incidencia.