REDACCION SALUD .-El cáncer representa una carga cada vez mayor para la calidad y la esperanza de vida en América Latina. Datos de la Organización Panamericana de la Salud (OPS) estiman que, en 2022, 4.2 millones de personas fueron diagnosticadas con cáncer en América Latina, con una proyección de aumento del 59.3% para 2045; en República Dominicana, tan solo en 20201, se reportaron más de 14,000 nuevos casos de cáncer y más de 8,500 muertes.

La innovación médica es una herramienta vital para transformar este panorama. Investigadores de Mass General Brigham, sistema de atención médica que reúne a las mejores mentes en medicina para mejorar la vida de pacientes de todo el mundo, son precursores en el aprovechamiento de la inteligencia artificial (IA) para moldear el futuro de la investigación y el tratamiento del cáncer y así, revolucionar la forma en que enfrentamos esta enfermedad, desde su detección hasta el acompañamiento del paciente.

A través de grandes modelos de lenguaje (LLM, por sus siglas en inglés) y tecnologías de vanguardia, se están desarrollando herramientas que no solo aumentan la precisión médica, sino que también podrían aliviar la carga clínica, empoderar a los pacientes y permitir a los médicos actuar con más rapidez y precisión, mejorando tanto el diagnóstico como la atención que reciben los pacientes.

Mass General Brigham comparte tres iniciativas que exploran cómo la IA está marcando una gran diferencia.

1. Detección más rápida y precisa de efectos adversos por inmunoterapia

Los inhibidores de puntos de control inmunitario (ICI), una herramienta esencial en el tratamiento contra el cáncer, activan el sistema inmune para atacar células malignas. Sin embargo, pueden provocar inflamación en distintos órganos, generando eventos adversos inmunorrelacionados (irAE). A medida que más pacientes reciben este tipo de terapia, es urgente entender mejor estas reacciones y cómo detectarlas a tiempo.

Hasta ahora, los métodos más utilizados presentan limitaciones:
• La revisión manual de expedientes médicos, aunque confiable, es lenta y consume muchos recursos.
• Los códigos médicos estándar (CIE) suelen ser imprecisos: no incluyen códigos específicos para irAE, subestiman casos reales y tienden a generar falsos positivos.

Con la implementación de un modelo de IA de código abierto, los investigadores lograron reducir el tiempo de revisión de 15 minutos a solo 9 segundos por caso, y mejorar la precisión de detección al 94.7%, superando ampliamente a los métodos convencionales. Esta tecnología ya ha sido compartida con más de 11 instituciones en EE.UU. y promete convertirse en un nuevo estándar internacional.

«La eficiencia y precisión demuestran qué tan prácticos son los LLM como opción para una adopción extendida», afirma la autora principal, Virginia H. Sun, médica residente de medicina interna en Massachusetts General Hospital.

En total, se analizaron siete mil 555 expedientes médicos electrónicos (EHR) de pacientes tratados con ICI. El equipo evaluó cuatro tipos de irAE: tres comunes (colitis, hepatitis y neumonitis) y uno particularmente peligroso (miocarditis). Para validar los resultados, se usó un segundo conjunto de mil 200 expedientes de Brigham and Women’s Hospital.

Kerry L. Reynolds, MD, oncóloga médica en Mass General y directora del Programa de Complicaciones Graves de la Inmunoterapia, destacó su capacidad para descartar con precisión los casos no relevantes y acelerar las revisiones manuales. Además, el modelo no fue entrenado con datos clínicos reales, sino mediante ingeniería de prompts, lo que permite compartirlo libremente con otras instituciones para su uso en distintos centros médicos.

2. Detectar el cáncer con IA: el poder de los modelos fundacionales en imágenes médicas

Otro avance de la inteligencia artificial contra el cáncer es el desarrollo de un modelo fundacional liderado por Hugo Aerts, PhD, director del Programa de Inteligencia Artificial en la Medicina de Mass General Brigham. Esta herramienta avanzada detecta biomarcadores de imagen relacionados con el cáncer, incluso cuando hay pocos datos disponibles.

El modelo fue entrenado con 11 mil 467 lesiones extraídas de tomografías computarizadas (CT) mediante un enfoque llamado preentrenamiento auto supervisado, lo que le permitió reconocer patrones clave en las imágenes y realizar tareas clínicas con menos ejemplos de entrenamiento.

«El modelo fundacional aprendió las principales características de las lesiones y cómo identificarlas con mucha precisión», asegura el Dr. Aerts. «Entonces, en lugar de solo tener una imagen médica, en la que una lesión puede presentarse de diversas maneras, ahora tenemos un paso intermedio con un número limitado de rasgos que cuantifica las características de estas lesiones».

Para validar su eficacia, el modelo clasificó correctamente la localización anatómica de las lesiones y se utilizó para crear dos biomarcadores: uno para predecir si un nódulo pulmonar era maligno, y otro para estimar el pronóstico del cáncer de pulmón de células no pequeñas (NSCLC).

«Nuestro modelo necesitó considerablemente menos muestras de entrenamiento que las implementaciones de vanguardia», sostiene el Dr. Aerts. «Eso podría hacerlo particularmente útil en posibilitar el descubrimiento de biomarcadores para cánceres raros, en los que no se tiene un gran número de casos de entrenamiento».

3. Comunicación efectiva con pacientes oncológicos

Más allá del diagnóstico, la IA también está siendo evaluada como un apoyo en la comunicación médico-paciente. Investigadores de Brigham and Women’s Hospital estudiaron el uso de ChatGPT 4.0 para responder preguntas frecuentes de pacientes con cáncer a través de portales digitales. Los resultados son prometedores: en el 80% de los casos, los médicos consideraron que las respuestas generadas por IA no requerían correcciones.

En su estudio, seis especialistas compararon respuestas generadas por GPT-4 con las suyas. En casi el 80% de los casos, consideraron que las respuestas del modelo no requerían edición. “Poder responder a la mayoría de las preguntas de los pacientes con tan solo revisar el resultado del LLM podría ahorrarle tiempo al médico clínico y ayudar con el agotamiento”, afirma la Dra. Danielle S. Bitterman, MD, radiooncóloga en Brigham and Women’s Hospital.

Aun así, la especialista advierte sobre los riesgos de confiar demasiado en la IA, como es el caso de:

• Bajar la guardia cuando un modelo ofrece respuestas que parecen humanas y acertadas. “Eso podría conducir a que errores infrecuentes pero dañinos lleguen al paciente y le generen perjuicio», asegura.
• Sesgo de automatización, es decir, la tendencia a aceptar sugerencias de sistemas sin evaluarlas a fondo.
• Diferencias importantes en contenido clínico entre respuestas humanas y aquellas asistidas por el modelo

«El contenido clínicamente importante en las respuestas manuales era significativamente diferente a las respuestas asistidas por IA», señala la Dra. Bitterman. «Por lo general, no hay una respuesta correcta a una pregunta sobre el síntoma de un paciente, pero puede haber un elemento del modelo de lenguaje que altere el razonamiento clínico. Eso sería un resultado de sesgo de automatización».

Aunque ve potencial, Bitterman concluye que aún falta camino para usar estos modelos de forma segura en la atención real: “debemos implementar estas tecnologías de forma tal que se optimice su valor, al igual que la seguridad de los pacientes. Es necesario que invirtamos en más investigación para entender cómo usar estos sistemas de manera efectiva para que podamos apoyar mejor a los pacientes con cáncer».

Los investigadores de Mass General Brigham son precursores en el aprovechamiento de la inteligencia artificial (IA) para moldear el futuro de la investigación y el tratamiento contra el cáncer; si bien este tipo de investigación demuestra el potencial transformador de la IA en la salud, también subraya la importancia de implementar estas herramientas con criterios éticos y humanos.

En un mundo donde la tecnología avanza a pasos agigantados, y esta vez, viene impulsada por la inteligencia artificial, somos uno contra el cáncer.