¿Cómo se le ocurrió la idea de desarrollar la herramienta de predicción del adenocarcinoma de esófa-go y de cardias Kettles?
- El número de casos de adenocarcinoma de esófago aumentó drásticamente en un periodo de unas 5 décadas hasta convertirse en la forma más común de cáncer de esófago en los países occidentales. Anteriormente habíamos desarrollado y validado la herramienta de predicción del esófago de Michigan Barrett (Michigan Barrett’s Esophagus pREdiction Tool, M-BERET) para identificar a los pacientes con mayor riesgo de padecer la afección premaligna asociada y remitirlos a cribado (estrategia aplicada sobre una población para detectar una enfermedad en individuos sin signos o síntomas – N. del Ed). Sin embargo, los profesionales no la utilizan con frecuencia porque requiere medir el perímetro de cintura y cadera y tienen que acordarse de mirar el calculador en Internet. Pensamos que un método automatizado que utilizara los historiales médicos electrónicos sería más fácil de usar, y que el aprendizaje automático podría hacerlo aún más preciso.
¿Puede explicar de forma sencilla cómo el K-ECAN utiliza la Inteligencia Artificial para predecir elcáncer tres años antes del diagnóstico?
- El K-ECAN solo utiliza datos de historias clínicas electrónicas como la edad, el sexo, el peso, los códigos de facturación para el diagnóstico de la enfermedad por reflujo gastroesofágico, las recetas de medicamentos para reducir la acidez y los resultados de pruebas de laboratorio rutinarias como hemogramas y electrolitos. Utilizamos una forma de inteligencia artificial llamada aprendizaje automático por refuerzo de gradiente extremo. Aparte de factores como la edad y el sexo, K-ECAN descubrió que parte de la información más útil se encontraba en alteraciones muy leves de los análisis de sangre que siguen estando dentro de la normalidad y, por tanto, no preocuparían al médico por sí solas.
Su investigación se ha centrado en datos de más de 10 millones de veteranos estadounidenses. ¿Cómo contribuye este conjunto de datos a la precisión de las predicciones de K-ECAN?
- Dividimos aleatoriamente a los pacientes por la mitad para entrenar el aprendizaje automático, una cuarta parte para afinarlo y otra cuarta parte para probar el algoritmo final. Las pruebas demostraron que K-ECAN era más preciso que las herramientas de predicción validadas anteriormente o que las directrices publicadas sobre a quién debe ofrecerse el cribado del cáncer.
La incorporación de herramientas de IA como K-ECAN parece prometedora parala detección precoz del cáncer. ¿Existe algún problema ético o de privacidad que deba tenerse en cuenta a la hora de aplicar esta tecnología?
- K-ECAN está diseñado para ser utilizado en el sistema de historia clínica electrónica de un sistema sanitario o como software complementario. La información médica de los pacientes no saldría del sistema sanitario.
¿Podría compartir algunos resultados o beneficios potenciales si esta herramienta se adoptara de for-ma generalizada en los sistemas sanitarios?
- La prevención del cáncer dependería del umbral de riesgo utilizado para activar el cribado. Aún no se sabe cuál es el mejor umbral para equilibrar los costes y los beneficios del cribado. Sugerimos un umbral basado simplemente en la comparación del riesgo de muerte por cáncer colorrectal en estadounidenses de 50 años, para los que se recomienda el cribado. Si utilizáramos esa puntuación umbral, el K-ECAN identificaría al 38 % de las personas destinadas a desarrollar adenocarcinomas de esófago y cardias y requeriría el cribado del 7 % de la población general.
¿Cómo prevé que los profesionales sanitarios integren K-ECAN en su práctica? ¿Qué pasos hay que dar para garantizar su adopción y utilización?
- Prevemos incorporar el K-ECAN a las historias clínicas electrónicas para notificar a los proveedores el aumento del riesgo de sus pacientes. Aún no sabemos cómo incorporarlo.
¿Podría hablarnos de futuras investigaciones oavances en el campo de la predicción y prevencióndel cáncer basadas en la inteligencia artificial que le entusiasmen a usted y a su equipo?
- En el campo de la gastroenterología se está trabajando mucho en el análisis de imágenes endoscópicas en tiempo real con IA para ayudar a los endoscopistas a identificar patologías.
