IA predice cáncer de vejiga a partir de historias clínicas electrónicas

Depender de la hematuria visible y de la cistoscopia confirmatoria puede retrasar el diagnóstico y exponer a los pacientes a procedimientos invasivos. Por ello, los sistemas de salud necesitan herramientas no invasivas de evaluación del riesgo que puedan identificar señales de alerta tempranas dentro de la atención habitual. Ahora, los investigadores han desarrollado un sistema de inteligencia artificial que predice el riesgo de cáncer de vejiga años antes del diagnóstico formal.

Desarrollado en la Universidad de Plymouth, el modelo PRECISE-AGZ analiza los historiales clínicos electrónicos para identificar patrones sutiles que aparecen antes de un diagnóstico de cáncer de vejiga. El sistema examina datos clínicos rutinarios, incluidos síntomas, factores de riesgo y actividad de atención sanitaria, lo que le permite ir más allá de las vías de derivación basadas principalmente en síntomas individuales. Las vías actuales a menudo enfatizan la hematuria visible, que también puede surgir de afecciones benignas y aun así requiere cistoscopia para la confirmación diagnóstica.

El estudio analizó casi 70.000 historiales de pacientes recopilados entre 1995 y 2020. Mediante un modelo diseñado específicamente para este fin, los investigadores evaluaron 48.261 posibles indicadores que abarcaban comportamientos de los pacientes, comorbilidades, historiales de medicación y otra información registrada de forma rutinaria. De este amplio conjunto de variables, el algoritmo identificó 38 características clave que se asociaron con mayor fuerza al riesgo de cáncer de vejiga.

PRECISE-AGZ detectó cáncer de vejiga en el 85% de los pacientes que padecían la enfermedad e identificó correctamente a las personas sin cáncer con una precisión del 91%. El modelo demostró una detección eficaz hasta 12 meses antes del diagnóstico, con algunas señales predictivas que aparecían ya cinco años antes, y superó las directrices actuales de derivación del Servicio Nacional de Salud.

La herramienta clasificó a los pacientes en grupos de bajo riesgo, zona gris y alto riesgo, correspondientes a probabilidades inferiores al 7%, entre el 7% y el 55%, y superiores al 55%, respectivamente. Esta estratificación podría ayudar a priorizar a los pacientes para una evaluación adicional, mientras que quienes se encuentren en la zona gris podrían someterse potencialmente a un seguimiento continuo antes de las pruebas invasivas, reduciendo así las cistoscopias innecesarias.

El modelo confirmó asociaciones establecidas como el tabaquismo y la hematuria, al tiempo que también identificó patrones que son menos evidentes mediante los enfoques de cribado convencionales. Los pacientes con enfermedad de Parkinson o demencia mostraron un menor riesgo observado, mientras que el uso prolongado de tamoxifeno se asoció con un mayor riesgo, aunque estos hallazgos no establecen prevención ni causalidad.

La importancia predictiva de la hematuria también cambió cuando se consideró junto con otros indicadores clínicos; por ejemplo, la hematuria combinada con hiperplasia prostática benigna en hombres se asoció con un menor riesgo. Estos hallazgos ilustran cómo el modelo integra múltiples factores en lugar de depender de señales de alerta individuales de forma aislada.

Los autores subrayan que será necesaria una validación adicional en distintos sistemas sanitarios, ya que todos los datos del estudio se extrajeron de la base de datos SAIL en Gales. Los hallazgos, publicados en IEEE Transactions on Biomedical Engineering, sugieren que incorporar la evaluación de riesgos basada en IA a los datos clínicos rutinarios podría ayudar a identificar antes el cáncer de vejiga, mejorar la priorización de las derivaciones y reducir los procedimientos invasivos innecesarios.

“Este trabajo representa un cambio de paradigma hacia el cribado de precisión del cáncer de vejiga. Al aprovechar el poder del aprendizaje automático interpretable y los historiales clínicos completos, nos estamos acercando a detectar esta enfermedad en sus etapas más tempranas y tratables”, dijo el profesor Shang-Ming Zhou, del Centro de Tecnología de la Salud de la Universidad de Plymouth.

“Es importante subrayar que una validación adicional en distintos sistemas sanitarios es esencial antes de que algo se implemente de forma más amplia —por ejemplo, todos los datos analizados procedían de la base de datos SAIL de Gales, así que también querríamos investigar otros conjuntos de datos. Pero se trata de un estudio inicial muy emocionante. También se necesitarían estudios adicionales para confirmar las relaciones causales sugeridas por las predicciones del modelo”, añadió el profesor Zhou.

Enlaces relacionados
Universidad de Plymouth