Así es la IA que predice el riesgo de cáncer de pulmón con un solo análisis de tomografía computarizada

Una herramienta de Inteligencia Artificial prevé el riesgo de cáncer pulmonar

Una innovadora herramienta de Inteligencia Artificial (IA) conocida como «Sybil», ha demostrado ser capaz de prever el peligro de padecer cáncer pulmonar a corto y largo plazo basándose en un único escaneo de tomografía computarizada de dosis baja (LDCT), así lo reportan un grupo de científicos. Esta solución de IA fue entrenada y corroborada en tomografías computarizadas de dosis baja durante el Ensayo Nacional de Detección Pulmonar (NLST por sus siglas en Inglés), de acuerdo a Lecia Sequist, MD, MPH, de Harvard Medical School y Massachusetts General Hospital (MGH) en Boston y sus colaboradores.

Sybil y su precisión en la detección

Sybil logró calcular el riesgo de padecer cáncer pulmonar a 1 año con un área bajo la curva (AUC) de 0.92 (IC 95% 0.88-0.95) y un AUC a dos años de 0.86 (IC 95% 0.82-0.90), en los testeos del NLST, así como un índice de concordancia sobre la previsión durante 6 años de 0.75 (IC 95% 0.72-0.78), lo cual fue documentado en el Journal of Clinical Oncology. Más aún, Sybil mantuvo su efectividad en los subgrupos de sexo, edad e historial de consumo de tabaco.

Los resultados de la herramienta de IA se validaron en dos grandes conjuntos de datos diferentes que sumaban más de 23,000 tomografías computarizadas de dosis baja. En un editorial relacionado, Gerard Silvestri, MD, MS, de la Medical University of South Carolina en Charleston, junto a James R. Jett, MD, de National Jewish Health en Denver, destacaron los significativos esfuerzos que los investigadores hicieron para proveer un modelo «correcto» y calificó la efectividad general del modelo como «excepcional».

Otros beneficios de la herramienta de IA en la detección de cáncer pulmonar

Ellos también apuntaron que este modelo predictivo ofrece variadas ventajas en una «perspectiva práctica». Por ejemplo, no requiere datos demográficos del paciente, factores de riesgo ni identificación manual ni caracterización de nódulos, lo que libera tiempo y requiere menos experiencia.

Reducción de exámenes innecesarios y pruebas invasivas

Silvestri y Jett también insinuaron que este modelo podría reducir las pruebas innecesarias y exámenes invasivos en nódulos que no se espera que resulten en cáncer en el futuro, así como prever qué pacientes podrían alargar los intervalos de detección, o incluso suspender la detección si tienen un riesgo notablemente bajo de desarrollar cáncer pulmonar.

Potencial para identificar otros grupos en riesgo

“El modelo podría evidenciar grupos en riesgo en los que actualmente no se cumplen los criterios para formar parte de un programa de detección como indican las guías del Grupo de Trabajo de Servicios Preventivos de los EE. UU.”, añadieron. “Es una posibilidad fascinante, ya que cerca de la mitad de los casos de cáncer pulmonar diagnosticados en los EE. UU. actualmente no cumplen con los requisitos para el programa de detección”.

Pruebas futuras anticipadas para Sybil

Antes de poder poner a Sybil a prueba de manera prospectiva, los investigadores prevén que será necesario determinar su capacidad de extensión. Por ejemplo, las tomografías computarizadas obtenidas de los pacientes del NLST consistían en su mayoría en blancos (92%), por lo que, según los pensamientos de Sequist y sus colegas, ninguna de las muestras usadas en su estudio contenían suficientes pacientes negros o hispanos como para tener fe en su aplicabilidad universal aún.

En conclusión, Sybil, la herramienta de Inteligencia Artificial, posee un potencial prometedor para detectar el cáncer pulmonar en sus etapas tempranas a partir de un solo escaneo de tomografía computarizada, lo cual puede resultar importante a largo plazo para mejorar el pronóstico y las tasas de supervivencia de los pacientes con esta enfermedad.