IA predice supervivencia del cáncer colorrectal mediante características clínicas y moleculares

El cáncer colorrectal es uno de los cánceres más comunes y mortales a nivel mundial, y predecir con precisión la supervivencia del paciente sigue siendo un gran desafío clínico. Las herramientas de pronóstico tradicionales suelen basarse únicamente en factores clínicos o datos moleculares, lo que limita su capacidad para identificar a los pacientes de alto riesgo y orientar las decisiones de tratamiento. Un nuevo enfoque de aprendizaje automático demuestra que la combinación de características clínicas y biológicas puede mejorar significativamente la precisión de la predicción de supervivencia en pacientes con cáncer colorrectal.

El modelo basado en aprendizaje automático, desarrollado por investigadores de la Universidad de Brasilia (Brasília, Brasil), en colaboración con la Universidad de California en San Diego (La Jolla, California, EUA), integra variables clínicas estándar con biomarcadores moleculares para predecir la supervivencia del paciente con mayor precisión. Los datos clínicos incluyeron la edad, el estadio del cáncer, la afectación ganglionar, el estado de la quimioterapia y otros factores rutinarios, mientras que las características biológicas consistieron en datos de expresión génica y microARN. Los investigadores evaluaron diversas técnicas de aprendizaje automático y escenarios de datos de pacientes para determinar qué enfoque ofrecía las predicciones más fiables y consistentes.

Se analizaron datos de más de 500 pacientes con cáncer colorrectal, con modelos entrenados y probados en tres escenarios de grupos de pacientes diferentes. Entre los métodos evaluados, un modelo de refuerzo adaptativo obtuvo el mayor rendimiento, con una precisión del 89,58 %. Los resultados, publicados en Oncotarget, mostraron que la combinación de datos clínicos y biológicos superó consistentemente a los modelos basados en un solo tipo de datos. Entre los contribuyentes moleculares clave se encontraban el gen E2F8, influyente en todos los grupos de pacientes, junto con WDR77 y hsa-miR-495-3p.

Los resultados sugieren que los modelos integrados de aprendizaje automático podrían ayudar a los médicos a estratificar mejor a los pacientes según el riesgo, adaptar las estrategias de tratamiento y mejorar las predicciones de resultados a largo plazo. El estudio también destaca el valor de los métodos de aprendizaje por conjuntos, que proporcionaron resultados estables en diversos grupos de pacientes. Las investigaciones futuras se centrarán en la incorporación de variables clínicas adicionales, como el estilo de vida y los factores ambientales, y en la exploración de biomarcadores como el E2F8 como posibles dianas para monitorizar la progresión de la enfermedad o desarrollar terapias dirigidas.

Enlaces relacionados:
Universidad de Brasilia
Universidad de California en San Diego

Visitar la expo >

Miembro Oro

Automatic Hematology Analyzer

CF9600

Software de laboratorio
Acusera 24•7

Automated Clinical Chemistry Analyzer

Envoy 500+

Hematology Consumables

Bioblood Devices