Un modelo de IA puede predecir un riesgo elevado de cáncer de páncreas utilizando registros de salud electrónicos

Según los resultados presentados en el Reunión Anual AACR 2022celebrada del 8 al 13 de abril.

«Por el momento, no existen biomarcadores confiables o herramientas de detección que puedan detectar el cáncer de páncreas en forma temprana», dijo Bo Yuan, Ph.D. candidato de la Universidad de Harvard, quien presentó el estudio. «El propósito de este estudio fue desarrollar una herramienta de inteligencia artificial que pueda ayudar a los médicos a identificar a las personas con alto riesgo de cáncer de páncreas para que puedan inscribirse en programas de prevención o vigilancia y, con suerte, beneficiarse de un tratamiento temprano».

El cáncer de páncreas es un tipo de cáncer agresivo que a menudo se diagnostica en etapas posteriores debido a la falta de síntomas tempranos y, por lo tanto, tiene un pronóstico relativamente malo, dijo Davide Placido, Ph.D. candidato en la Universidad de Copenhague y co-primer autor del estudio. La detección temprana del cáncer de páncreas en el curso de la enfermedad podría mejorar las opciones de tratamiento para estos pacientes, anotó.

Los avances recientes en IA han llevado a los investigadores a desarrollar algoritmos de predicción de riesgo para varios tipos de cáncer utilizando imágenes de radiología, diapositivas de patología y registros de salud electrónicos. Los modelos que intentan usar diagnósticos médicos precancerosos, como úlceras gástricas, pancreatitis y diabetes, como indicadores del riesgo de cáncer de páncreas han tenido cierto éxito, pero Yuan y sus colegas buscaron desarrollar modelos más precisos incorporando conceptos de algoritmos de procesamiento del lenguaje.

«Nos inspiramos en la similitud entre las trayectorias de la enfermedad y la secuencia de palabras en el lenguaje natural», dijo Yuan. «Los modelos utilizados anteriormente no utilizaban la secuencia de diagnósticos de enfermedades en los registros médicos de una persona. Si considera cada diagnóstico como una palabra, los modelos anteriores trataban los diagnósticos como una bolsa de palabras en lugar de una secuencia de palabras que forman una oración completa .»

Los investigadores entrenaron su método de IA utilizando registros de salud electrónicos del Registro Nacional de Pacientes de Dinamarca, que incluía registros de 6,1 millones de pacientes tratados entre 1977 y 2018, de los cuales alrededor de 24 000 desarrollaron cáncer de páncreas. Los investigadores ingresaron la secuencia de diagnósticos médicos de cada paciente para enseñarle al modelo qué patrones de diagnóstico predecían más significativamente el riesgo de cáncer de páncreas.

Luego, los investigadores probaron la capacidad de la herramienta de inteligencia artificial para predecir la aparición de cáncer de páncreas en intervalos que van de tres a 60 meses después de la evaluación del riesgo.

En un umbral establecido para minimizar los falsos positivos, las personas consideradas «de alto riesgo» tenían 25 veces más probabilidades de desarrollar cáncer de páncreas entre los tres y los 36 meses que los pacientes por debajo del umbral de riesgo. Por el contrario, un modelo que no tuvo en cuenta la secuencia de eventos de la enfermedad precancerosa dio como resultado un aumento del riesgo sustancialmente menor para los pacientes por encima de un umbral correspondiente.

Los investigadores validaron aún más sus hallazgos utilizando registros médicos electrónicos del Mass General Brigham Health Care System. Las diferencias en la atención médica y las prácticas de mantenimiento de registros entre los diferentes sistemas de atención médica requirieron que el modelo se vuelva a entrenar en el nuevo conjunto de datos, dijo Yuan, y al volver a entrenar, el modelo funcionó con una precisión comparable; el área bajo la curva (una medida de precisión que aumenta a medida que el valor se acerca a 1) para este conjunto de datos fue de 0,88 en comparación con 0,87 para el conjunto de entrenamiento original.

Aunque la mayor parte de la toma de decisiones de la IA ocurrió en las «capas ocultas» de una red neuronal compleja, lo que dificulta que los investigadores identifiquen exactamente qué patrones de diagnóstico predijeron el riesgo, Yuan y sus colegas encontraron asociaciones significativas con ciertas características clínicas y el desarrollo de cáncer de páncreas. Por ejemplo, los diagnósticos de diabetes, enfermedades pancreáticas y del tracto biliar, úlceras gástricas y otras se asociaron con un mayor riesgo de cáncer de páncreas. Si bien este conocimiento puede mejorar la estratificación del riesgo tradicional en algunos casos, la ventaja de la herramienta de IA es que integra información sobre los factores de riesgo en el contexto de la historia de la enfermedad de un paciente, dijo Placido.

«El sistema de IA se basa en estas características en contexto, no de forma aislada», dijo Yuan.

Los investigadores, incluida la coautora Jessica Hjaltelin, Ph.D.; los coautores principales Søren Brunak, Ph.D., y Chris Sander, Ph.D.; y los colaboradores Peter Kraft, Ph.D., Michael Rosenthal, MD, Ph.D., y Brian Wolpin, MD, MPH: esperan que esta investigación, una vez evaluada en ensayos clínicos, conduzca a la identificación de pacientes con un riesgo elevado de cáncer de páncreas. Esto podría potencialmente ayudar a reclutar pacientes de alto riesgo en programas centrados en la prevención y una mayor detección para la detección temprana. Si el cáncer se detecta temprano, dijo Placido, las probabilidades de un tratamiento exitoso son más altas.

«Estos resultados indican el potencial de las tecnologías computacionales avanzadas, como la IA y el aprendizaje profundo, para hacer predicciones cada vez más precisas basadas en el historial de salud y enfermedades de cada persona», dijo Yuan.

Las limitaciones de este estudio incluyen las dificultades para estandarizar los datos de salud electrónicos entre diferentes sistemas de salud, especialmente en diferentes países, lo que requiere el entrenamiento y la aplicación independientes del modelo de IA a diferentes conjuntos de datos. También se requieren análisis adicionales para dar cuenta explícitamente de la diversidad étnica. Además, la precisión de la predicción disminuye con intervalos de tiempo más largos entre la evaluación del riesgo y la aparición del cáncer.