{"id":39092,"date":"2026-09-15T13:59:35","date_gmt":"2026-09-15T16:59:35","guid":{"rendered":"https:\/\/agencia.unq.edu.ar\/?p=39092"},"modified":"2026-09-15T13:59:35","modified_gmt":"2026-09-15T16:59:35","slug":"cancer-de-pulmon-una-ia-mejoro-las-predicciones-sobre-la-respuesta-a-la-inmunoterapia","status":"publish","type":"post","link":"https:\/\/agencia.unq.edu.ar\/?p=39092","title":{"rendered":"C\u00e1ncer de pulm\u00f3n: una IA mejor\u00f3 las predicciones sobre la respuesta a la inmunoterapia"},"content":{"rendered":"\n

El modelo combin\u00f3 datos cl\u00ednicos, an\u00e1lisis de sangre, tomograf\u00edas, im\u00e1genes de tejidos e informaci\u00f3n gen\u00e9tica, y super\u00f3 varios indicadores de uso actual.<\/p>\n\n\n\n

\"M\u00e9dicos
M\u00e9dicos y algoritmos, frente al mismo desaf\u00edo: anticipar qu\u00e9 pacientes podr\u00edan obtener mejores resultados con determinados tratamientos contra el c\u00e1ncer. Cr\u00e9dito: Pexels.<\/figcaption><\/figure>\n\n\n\n
\n
6 minutos<\/div><\/figure>\n<\/article>\n\n\n\n

En la medicina contra el c\u00e1ncer hay una pregunta decisiva que sigue siendo dif\u00edcil de responder: \u00bfqu\u00e9 tratamiento tiene m\u00e1s posibilidades de funcionar en cada paciente?<\/strong> La inmunoterapia transform\u00f3 el abordaje de distintos tumores durante la \u00faltima d\u00e9cada, 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 desarroll\u00f3 modelos de IA capaces de estimar la evoluci\u00f3n de pacientes con c\u00e1ncer de pulm\u00f3n de c\u00e9lulas no peque\u00f1as<\/strong>, la forma m\u00e1s frecuente de esta enfermedad, tratados con inmunoterapia. La investigaci\u00f3n<\/a>, publicada en Nature Medicine<\/strong>, reuni\u00f3 informaci\u00f3n de 2.396 pacientes atendidos en seis centros m\u00e9dicos de Italia, Grecia, Alemania, Espa\u00f1a, Estados Unidos e Israel<\/strong>.<\/p>\n\n\n\n

El estudio, al que tuvo acceso la Agencia de Noticias Cient\u00edficas de la Universidad Nacional de Quilmes<\/a>, forma parte de Integrative Science, Intelligent Data Platform for Individualized LUNG Cancer Care With Immunotherapy<\/strong>, (<\/strong> I\u00b3LUNG)<\/strong>, un proyecto internacional que busca desarrollar herramientas capaces de integrar grandes vol\u00famenes de informaci\u00f3n para ayudar a personalizar las decisiones terap\u00e9uticas.<\/p>\n\n\n\n

La apuesta fue bastante m\u00e1s ambiciosa que entrenar a un algoritmo para observar una tomograf\u00eda. Los investigadores reunieron diferentes capas de informaci\u00f3n sobre cada paciente y buscaron que los modelos detectaran relaciones que, analizadas por separado, podr\u00edan pasar inadvertidas. El sistema incorpor\u00f3 datos cl\u00ednicos y an\u00e1lisis de sangre de los 2.396 participantes, informaci\u00f3n gen\u00e9tica de 1.723, tomograf\u00edas computadas de 1.705 e im\u00e1genes digitales de muestras de tejido de 936 pacientes<\/strong>. Con ese conjunto entrenaron diferentes modelos de aprendizaje autom\u00e1tico y aprendizaje profundo.<\/p>\n\n\n\n

Cuando los datos empiezan a hablar entre s\u00ed<\/strong><\/h2>\n\n\n\n

Uno de los biomarcadores utilizados actualmente para orientar la inmunoterapia es la expresi\u00f3n de una prote\u00edna denominada PD-L1<\/strong>. Su presencia puede ayudar a estimar qu\u00e9 pacientes tendr\u00e1n mayores probabilidades de beneficiarse del tratamiento, pero est\u00e1 lejos de ofrecer una respuesta definitiva.<\/p>\n\n\n\n

Dos pacientes con un diagn\u00f3stico parecido pueden reaccionar de manera muy distinta al mismo tratamiento.<\/strong> Para comprobar si la IA pod\u00eda anticipar mejor esas diferencias, los investigadores la probaron con un grupo de pacientes que no hab\u00eda sido utilizado para entrenar los modelos. All\u00ed, el sistema obtuvo mejores resultados que varios de los indicadores que hoy utilizan los m\u00e9dicos. <\/p>\n\n\n\n

Entre ellos estaba PD-L1, pero tambi\u00e9n otros datos sencillos de la pr\u00e1ctica cl\u00ednica: el estado general del paciente, algunos valores del an\u00e1lisis de sangre relacionados con la inflamaci\u00f3n y las defensas del organismo, y marcadores que ayudan a estimar c\u00f3mo podr\u00eda evolucionar la enfermedad.<\/strong><\/p>\n\n\n\n

Uno de los hallazgos m\u00e1s interesantes fue que los algoritmos no siempre necesitaron disponer de toda la informaci\u00f3n posible para conseguir resultados relevantes. Los modelos construidos \u00fanicamente con datos cl\u00ednicos y an\u00e1lisis sangu\u00edneos de rutina<\/strong> mostraron un comportamiento consistente y alcanzaron un \u00e1rea 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 m\u00e1s se acerca a 1, mayor es su capacidad de discriminaci\u00f3n.<\/p>\n\n\n\n

La incorporaci\u00f3n de tomograf\u00edas e im\u00e1genes de anatom\u00eda patol\u00f3gica mejor\u00f3 el rendimiento en algunos an\u00e1lisis. Sin embargo, los propios investigadores se\u00f1alan que todav\u00eda es necesario determinar cu\u00e1nto aporta realmente esa informaci\u00f3n 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 poblaci\u00f3n y perder precisi\u00f3n cuando se enfrenta a pacientes con caracter\u00edsticas distintas<\/strong>.<\/p>\n\n\n\n

Eso ocurri\u00f3, en parte, durante la validaci\u00f3n externa del estudio. Los valores de AUC oscilaron entre 0,55 y 0,72. Los autores consideran que las diferencias entre poblaciones, caracter\u00edsticas iniciales, tratamientos recibidos y evoluci\u00f3n cl\u00ednica podr\u00edan explicar parte de esa ca\u00edda. Lejos de debilitar el trabajo, el dato muestra uno de los obst\u00e1culos que todav\u00eda deben superar estos sistemas antes de llegar a la pr\u00e1ctica m\u00e9dica cotidiana.<\/p>\n\n\n\n

La IA entra en escena junto al m\u00e9dico<\/strong><\/h2>\n\n\n\n

Uno de los experimentos m\u00e1s reveladores del estudio no consisti\u00f3 solamente en comparar algoritmos. Los investigadores desarrollaron una herramienta de inteligencia artificial explicable<\/strong> y analizaron qu\u00e9 ocurr\u00eda cuando m\u00e9dicos especializados y no especializados en c\u00e1ncer de pulm\u00f3n utilizaban la informaci\u00f3n proporcionada por el sistema para realizar sus evaluaciones.<\/p>\n\n\n\n

Los dos grupos mejoraron sus estimaciones cuando tuvieron acceso a la herramienta.<\/strong> El resultado introduce un matiz importante en una discusi\u00f3n que muchas veces se presenta como una competencia entre humanos y m\u00e1quinas. El estudio no plantea que un algoritmo determine qu\u00e9 tratamiento debe recibir una persona. Propone algo diferente: utilizar la IA como herramienta de apoyo para integrar simult\u00e1neamente variables cl\u00ednicas, sangu\u00edneas, radiol\u00f3gicas, histol\u00f3gicas y gen\u00e9ticas<\/strong>.<\/p>\n\n\n\n

La distinci\u00f3n es central: una predicci\u00f3n algor\u00edtmica no equivale a una decisi\u00f3n terap\u00e9utica.<\/strong> Tambi\u00e9n explica por qu\u00e9 los investigadores incorporaron mecanismos de IA explicable. En medicina no alcanza con que un sistema entregue un porcentaje o una clasificaci\u00f3n. Los profesionales necesitan saber cu\u00e1les fueron las variables que influyeron en ese resultado antes de incorporarlo a una decisi\u00f3n cl\u00ednica.<\/p>\n\n\n\n

El proyecto tiene otra particularidad: fue desarrollado con datos de pacientes atendidos en condiciones reales y no \u00fanicamente con bases experimentales dise\u00f1adas especialmente para entrenar algoritmos. Los pacientes incluidos ten\u00edan c\u00e1ncer de pulm\u00f3n de c\u00e9lulas no peque\u00f1as en etapas avanzadas \u2014clasificadas m\u00e9dicamente en diferentes estadios\u2014. Esto significa que, seg\u00fan el caso, la enfermedad estaba muy extendida dentro del t\u00f3rax o ya se hab\u00eda propagado a otras partes del organismo. Hab\u00edan recibido inmunoterapia, sola o combinada con quimioterapia, entre 2012 y 2023.<\/p>\n\n\n\n

Trabajar con informaci\u00f3n de la pr\u00e1ctica cl\u00ednica cotidiana puede acercar los modelos al escenario que encontrar\u00edan en un hospital. Pero tambi\u00e9n vuelve el problema mucho m\u00e1s complejo. Los datos m\u00e9dicos reales pueden ser incompletos, heterog\u00e9neos y estar registrados de manera diferente seg\u00fan la instituci\u00f3n o el pa\u00eds.<\/p>\n\n\n\n

\n
Cient\u00edficos de la UNQ avanzan en un tratamiento contra el c\u00e1ncer de pulm\u00f3n<\/a><\/blockquote>