Modelos de IA utilizan análisis de sangre rutinarios e historias clínicas para predecir riesgo de cáncer
Actualizado el 03 Nov 2026
Los programas de cribado del cáncer cubren solo ciertos cánceres y a menudo se basan en criterios de elegibilidad amplios, lo que limita la evaluación individualizada del riesgo en varios tipos de cáncer. Los datos de salud de rutina, incluidos los análisis de sangre y el historial clínico, pueden aportar señales adicionales para una estratificación personalizada del riesgo.
Nuevos hallazgos muestran que los modelos de aprendizaje automático pueden utilizar estos datos para identificar a las personas con mayor riesgo de varios cánceres comunes.
Investigadores del Centro Else Kröner Fresenius (EKFZ) para Salud Digital de la TU Dresden y de instituciones colaboradoras desarrollaron modelos de aprendizaje automático para predecir el riesgo en 20 cánceres comunes. El trabajo también incluyó PRE-Screen, una caja de herramientas diseñada para permitir que agentes de inteligencia artificial basados en grandes modelos de lenguaje ejecuten de forma coherente los modelos de riesgo.
Los modelos incorporaron una amplia gama de información sanitaria de rutina y avanzada, incluidos antecedentes médicos, factores de estilo de vida, resultados de análisis de sangre, datos genéticos y datos metabolómicos.
El estudio internacional analizó datos de 463.620 participantes del UK Biobank, seguidos durante aproximadamente 18 años, período en el que 57.055 desarrollaron cáncer. Los modelos también se evaluaron en participantes de Escocia y Gales, 42.036 personas inscritas en el programa de investigación All of Us de EE. UU. y más de 3 millones de personas de la base de datos JMDC de Japón.
Para reducir la posible influencia de cánceres que ya estaban presentes pero aún no habían sido diagnosticados, se excluyeron de los modelos de predicción correspondientes los casos diagnosticados durante el primer año.
En general, los modelos de aprendizaje automático superaron a los enfoques estadísticos tradicionales, aunque el rendimiento predictivo varió según el tipo de cáncer. Para un desenlace combinado que abarcaba los cánceres que podían predecirse a partir de datos clínicos rutinarios, los modelos lograron un área bajo la curva característica operativa del receptor de 0,83 a 15 años.
El rendimiento fue particularmente alto para los cánceres de pulmón, esófago e hígado, pero más limitado para los de ovario, mama y cuello uterino. En la leucemia mieloide aguda y el mieloma múltiple, el rendimiento predictivo disminuyó a lo largo de períodos más largos, lo que sugiere que algunas predicciones más sólidas a corto plazo pueden reflejar signos tempranos de un cáncer que ya estaba presente pero que aún no se había diagnosticado.
Gran parte de la información predictiva procedía de análisis de sangre de rutina y del historial clínico. Los análisis de sangre siguieron añadiendo valor predictivo para cánceres diagnosticados más de cinco años después, mientras que los datos genéticos y metabolómicos aportaron solo una pequeña mejora adicional. Los hallazgos se presentaron en el Congreso de la ESMO 2026. Debido a que el estudio analizó retrospectivamente datos ya existentes, se necesita más investigación para determinar si el enfoque mejora el diagnóstico precoz o los resultados.
“Para determinados cánceres, estos modelos podrían servir como un paso de precribado de bajo coste utilizando datos ya disponibles en la atención rutinaria. Los programas de cribado existentes cubren solo ciertos cánceres y a menudo utilizan criterios de elegibilidad amplios, en lugar de evaluar el riesgo individual de cada persona”, dijo el autor principal, el Dr. Paul-Henry Koop, del Centro Else Kröner Fresenius para Salud Digital, TU Dresden, Alemania.
“Los tipos de cáncer difieren considerablemente en sus mecanismos carcinogénicos y en cuán bien sus factores de riesgo y condiciones precursoras quedan reflejados en los datos de rutina. Por tanto, una señal positiva debería desencadenar primero pruebas mínimamente invasivas”, añadió el Dr. Koop.
Enlaces relacionados
EKFZ para Salud Digital
ESMO
