Inteligencia artificial predice con exactitud los efectos colaterales de la radioterapia

Este enfoque de oncología de precisión tiene el potencial de identificar mejor a los pacientes que se podrían beneficiar de las intervenciones tempranas que podrían ayudar a prevenir una pérdida de peso significativa después del tratamiento o reducir la necesidad de colocar un tubo de alimentación.

El equipo de investigadores desarrolló modelos para analizar grandes conjuntos de datos combinados de tres fuentes: historias clínicas electrónicas (Epic), una herramienta de gráficos interna basada en la web (Brocade) y el sistema de registro/verificación (Mosaiq). Los datos incluyeron más de 700 variables clínicas y de tratamiento para los pacientes con cáncer de cabeza y cuello (75% hombres/25% mujeres, con una edad promedio de 62 años) que recibieron más de 2.000 sesiones de radioterapia (dosis media 60 Gy) en cinco sitios de práctica en el MD Anderson de 2016 a 2018.

Los investigadores utilizaron los modelos para predecir tres puntos finales: pérdida de peso significativa, colocación de sondas de alimentación y hospitalizaciones no planificadas. Los resultados del modelo de mejor desempeño fueron validados, a continuación, contra 225 tratamientos de radioterapia consecutivos posteriores. Los modelos con una tasa de rendimiento que cumplió un umbral de área predeterminado bajo la curva (AUC) de 0,70 o más se consideraron clínicamente válidos (una puntuación de AUC de 1,0 significaría que las predicciones del modelo eran 100% exactas, mientras que una puntuación de 0,0 significa que las predicciones nunca fueron exactas). Los modelos predijeron la probabilidad de una pérdida de peso significativa (AUC = 0,751) y la necesidad de colocar un tubo de alimentación (AUC = 0,755) con un alto grado de exactitud.

“Ser capaz de identificar qué pacientes tienen mayor riesgo, permitiría a los oncólogos radioterapeutas tomar medidas para prevenir o mitigar estos posibles efectos secundarios”, dijo Jay Reddy, MD, PhD, profesor asistente de radiooncología en el Centro de Cáncer MD Anderson de la Universidad de Texas y autor principal del estudio. “Si el paciente tiene un riesgo intermedio, y pudiese someterse a un tratamiento sin necesidad de una sonda de alimentación, podríamos tomar precauciones, como organizarlo con un nutricionista y proporcionarle suplementos nutricionales. Si sabemos que su riesgo de que le coloquen un tubo de alimentación es extremadamente alto, una probabilidad superior al 50% de que lo necesiten, podríamos colocarlo con anticipación para que no tengan que ser ingresados en el hospital después del tratamiento. Sabríamos vigilar más de cerca a ese paciente”.

El enfoque de aprendizaje automático no puede aislar el factor más predictivo o la combinación de factores que conducen a efectos secundarios negativos, pero puede proporcionar a los pacientes y a sus médicos una mejor comprensión de qué esperar durante el curso del tratamiento. Además de predecir la probabilidad de efectos secundarios, los modelos de aprendizaje automático podrían predecir qué planes de tratamiento serían más efectivos para los diferentes tipos de pacientes y permitir enfoques más personalizados para la radiooncología.

“El aprendizaje automático puede hacer que los médicos sean más eficientes y el tratamiento más seguro a través de la reducción del riesgo de error”, agregó el Dr. Reddy. “Tiene el potencial de influir en todos los aspectos de la oncología de radiación hoy en día, cualquier cosa en la que una computadora pueda ver datos y reconocer un patrón”.

Enlace relacionado:
Centro de Cáncer MD Anderson de la Universidad de Texas