En la medicina contra el cáncer hay una pregunta decisiva que sigue siendo difícil de responder: ¿qué tratamiento tiene más posibilidades de funcionar en cada paciente? La inmunoterapia transformó el abordaje de distintos tumores durante la última década, pero sus resultados pueden variar enormemente de una persona a otra. Ahora, la inteligencia artificial empieza a ofrecer nuevas pistas para anticipar esas diferencias. Un equipo internacional desarrolló modelos de IA capaces de estimar la evolución de pacientes con cáncer de pulmón de células no pequeñas, la forma más frecuente de esta enfermedad, tratados con inmunoterapia. La investigación, publicada en Nature Medicine, reunió información de 2.396 pacientes atendidos en seis centros médicos de Italia, Grecia, Alemania, España, Estados Unidos e Israel.
El estudio, al que tuvo acceso la Agencia de Noticias Científicas de la Universidad Nacional de Quilmes, forma parte de Integrative Science, Intelligent Data Platform for Individualized LUNG Cancer Care With Immunotherapy, ( I³LUNG), un proyecto internacional que busca desarrollar herramientas capaces de integrar grandes volúmenes de información para ayudar a personalizar las decisiones terapéuticas.
La apuesta fue bastante más ambiciosa que entrenar a un algoritmo para observar una tomografía. Los investigadores reunieron diferentes capas de información sobre cada paciente y buscaron que los modelos detectaran relaciones que, analizadas por separado, podrían pasar inadvertidas. El sistema incorporó datos clínicos y análisis de sangre de los 2.396 participantes, información genética de 1.723, tomografías computadas de 1.705 e imágenes digitales de muestras de tejido de 936 pacientes. Con ese conjunto entrenaron diferentes modelos de aprendizaje automático y aprendizaje profundo.
Cuando los datos empiezan a hablar entre sí
Uno de los biomarcadores utilizados actualmente para orientar la inmunoterapia es la expresión de una proteína denominada PD-L1. Su presencia puede ayudar a estimar qué pacientes tendrán mayores probabilidades de beneficiarse del tratamiento, pero está lejos de ofrecer una respuesta definitiva.
Dos pacientes con un diagnóstico parecido pueden reaccionar de manera muy distinta al mismo tratamiento. Para comprobar si la IA podía anticipar mejor esas diferencias, los investigadores la probaron con un grupo de pacientes que no había sido utilizado para entrenar los modelos. Allí, el sistema obtuvo mejores resultados que varios de los indicadores que hoy utilizan los médicos.
Entre ellos estaba PD-L1, pero también otros datos sencillos de la práctica clínica: el estado general del paciente, algunos valores del análisis de sangre relacionados con la inflamación y las defensas del organismo, y marcadores que ayudan a estimar cómo podría evolucionar la enfermedad.
Uno de los hallazgos más interesantes fue que los algoritmos no siempre necesitaron disponer de toda la información posible para conseguir resultados relevantes. Los modelos construidos únicamente con datos clínicos y análisis sanguíneos de rutina mostraron un comportamiento consistente y alcanzaron un área bajo la curva de hasta 0,77 en uno de los grupos estudiados. Esa medida, conocida como AUC, permite evaluar la capacidad de un modelo para diferenciar entre distintos resultados posibles: cuanto más se acerca a 1, mayor es su capacidad de discriminación.
La incorporación de tomografías e imágenes de anatomía patológica mejoró el rendimiento en algunos análisis. Sin embargo, los propios investigadores señalan que todavía es necesario determinar cuánto aporta realmente esa información adicional cuando el sistema se prueba en poblaciones diferentes. Ese punto toca uno de los principales problemas de la inteligencia artificial aplicada a la salud: un algoritmo puede ofrecer resultados muy buenos en una población y perder precisión cuando se enfrenta a pacientes con características distintas.
Eso ocurrió, en parte, durante la validación externa del estudio. Los valores de AUC oscilaron entre 0,55 y 0,72. Los autores consideran que las diferencias entre poblaciones, características iniciales, tratamientos recibidos y evolución clínica podrían explicar parte de esa caída. Lejos de debilitar el trabajo, el dato muestra uno de los obstáculos que todavía deben superar estos sistemas antes de llegar a la práctica médica cotidiana.
La IA entra en escena junto al médico
Uno de los experimentos más reveladores del estudio no consistió solamente en comparar algoritmos. Los investigadores desarrollaron una herramienta de inteligencia artificial explicable y analizaron qué ocurría cuando médicos especializados y no especializados en cáncer de pulmón utilizaban la información proporcionada por el sistema para realizar sus evaluaciones.
Los dos grupos mejoraron sus estimaciones cuando tuvieron acceso a la herramienta. El resultado introduce un matiz importante en una discusión que muchas veces se presenta como una competencia entre humanos y máquinas. El estudio no plantea que un algoritmo determine qué tratamiento debe recibir una persona. Propone algo diferente: utilizar la IA como herramienta de apoyo para integrar simultáneamente variables clínicas, sanguíneas, radiológicas, histológicas y genéticas.
La distinción es central: una predicción algorítmica no equivale a una decisión terapéutica. También explica por qué los investigadores incorporaron mecanismos de IA explicable. En medicina no alcanza con que un sistema entregue un porcentaje o una clasificación. Los profesionales necesitan saber cuáles fueron las variables que influyeron en ese resultado antes de incorporarlo a una decisión clínica.
El proyecto tiene otra particularidad: fue desarrollado con datos de pacientes atendidos en condiciones reales y no únicamente con bases experimentales diseñadas especialmente para entrenar algoritmos. Los pacientes incluidos tenían cáncer de pulmón de células no pequeñas en etapas avanzadas —clasificadas médicamente en diferentes estadios—. Esto significa que, según el caso, la enfermedad estaba muy extendida dentro del tórax o ya se había propagado a otras partes del organismo. Habían recibido inmunoterapia, sola o combinada con quimioterapia, entre 2012 y 2023.
Trabajar con información de la práctica clínica cotidiana puede acercar los modelos al escenario que encontrarían en un hospital. Pero también vuelve el problema mucho más complejo. Los datos médicos reales pueden ser incompletos, heterogéneos y estar registrados de manera diferente según la institución o el país.
Por eso, los resultados no significan que la herramienta esté lista para utilizarse de manera generalizada. El siguiente paso será especialmente importante: los investigadores planean realizar una validación prospectiva en más de 2.000 nuevos pacientes. En vez de analizar solamente información acumulada durante años anteriores, podrán observar cómo se comporta el sistema a medida que nuevas personas ingresan al estudio. Será una prueba mucho más cercana a las condiciones en las que una tecnología de este tipo debería funcionar en la medicina real.
La inteligencia artificial ya puede detectar patrones en tomografías, tejidos, historias clínicas, análisis de laboratorio y datos genéticos a una escala imposible de procesar simultáneamente por una persona. El gran desafío, sin embargo, ya no consiste únicamente en conseguir una predicción matemática precisa. Consiste en demostrar que esa precisión se mantiene cuando el algoritmo sale del laboratorio, se enfrenta a pacientes diferentes y empieza a participar en decisiones clínicas reales.
Con todo, en una enfermedad en la que dos personas con diagnósticos semejantes pueden responder de forma completamente distinta al mismo tratamiento, conseguirlo podría cambiar algo fundamental: no solamente saber qué terapias existen, sino identificar mejor para quién puede funcionar cada una
Últimas noticias de la sección Salud:
No fuman, pero el tabaco también los enferma: la nueva alerta mundial
Monóxido de carbono en Argentina: 781 intoxicaciones y 12 muertes en 2026
Menos luz, menos ánimo: ¿de qué manera los días nublados pueden afectar el reloj biológico de las personas?
Trasplante de órganos en Argentina: cómo funciona la nueva técnica que aprobó el INCUCAI
Monopatines eléctricos: el juguete que no es un juguete y ya preocupa a los médicos
Descubren un nuevo factor que podría empeorar el hígado graso
Un estudio demuestra que las redes sociales pueden generar ansiedad en cuestión de minutos
