Universidad
Politécnica de Madrid

19.10.2020

En España se detectan anualmente más de 33.300 casos de cáncer de mama, un tipo de carcinoma cuya incidencia se ha incrementado en un 7,5% entre el año 2012 y el 2019. La importancia de la detección precoz en estos casos es fundamental de cara al pronóstico de los pacientes. Si bien es cierto que la tasa de supervivencia a 5 años es muy elevada y ronda ya el 90%, este porcentaje se reduce incluso hasta una tasa de supervivencia de solo el 10% cuando los tipos de cáncer son muy agresivos o se detectan de modo muy tardío. Y de ahí la importancia de que los profesionales oncológicos cuenten con las mejores herramientas para la detección precoz y la evaluación del pronóstico de los pacientes afectados por este tipo de cáncer.

Pero, ¿qué características deben tener estas herramientas para ser realmente efectivas? Un estudio en el que han participado investigadores de la Universidad Politécnica de Madrid y de la Universitat Rovira i Virgili, pone de manifiesto que la actualización de los modelos de predicción es más importante que el número de variables analizadas para conseguir una detección precoz eficaz del cáncer de mama.

Tras analizar los casos de más de 2600 pacientes entre los años 2004 y 2008, los investigadores constataron que, en materia de prevención la actualización de los modelos y algoritmos en los que se basa el sistema teniendo en cuenta el año en el que se está detectando la patología, tiene mucho que ver con la eficacia de la herramienta.

“Para un paciente actual un modelo predictivo que haya sido entrenado en datos con más de unos pocos años de antigüedad puede no resultar útil debido a las innovaciones médicas y sanitarias que hacen que la importancia de los parámetros clínicos a considerar varíe a lo largo del tiempo”, explica Ricardo Kleinlein, investigador del Grupo de Tecnología del Habla del Departamento de Ingeniería Electrónica de la Escuela Técnica Superior de Ingeniería de Telecomunicación y uno de los autores de este estudio. “Como consecuencia de esas variaciones, si no hay una actualización de los parámetros, por mucho que se introduzcan nuevos datos, la estimación de la gravedad y la supervivencia de los afectados por un cáncer puede no ser la correcta”, añade.

La fecha de detección, clave para el diagnóstico

Y es que, a la luz de los datos analizados por los investigadores, en cáncer de mama, el uso de modelos de aprendizaje automático que tengan en cuenta todos los datos disponibles puede generar conocimiento clínico sólo válido temporalmente. O lo que es lo mismo, más datos no implican necesariamente una mejor predicción, a menos que esos datos sean cercanos en el tiempo y cercanos también a la fecha en la que se diagnostica al paciente.  

“Si queremos analizar la esperanza de vida y el pronóstico de un caso de cáncer de mamá detectado este año, no basta solo con analizar todos los datos procedentes de ese paciente, sino que tenemos que tener también en cuenta datos procedentes de casos cercanos en el tiempo que aporten conocimiento clínico preciso y acorde a la situación del paciente”, explica David Riaño, del Grup de Recerca en Intel·ligència Artificial de la Universitat Rovira i Virgili, y otro de los participantes en este trabajo.

Precisamente, la importancia que se da a la fecha en la que el paciente es diagnosticado, es una de las principales novedades de este trabajo. “Nuestro estudio demuestra que ciertos parámetros clínicos considerados importantes en estudios anteriores dependen del año en que el paciente fuera diagnosticado, siendo necesario validar los algoritmos de predicción antes de su aplicación en un entorno real. Por tanto, entrenar un modelo con más datos no es necesariamente mejor para la predicción, y debemos evaluar el contexto temporal (el año) en que se diagnostica”.

Para los profesionales oncológicos, las herramientas de ayuda, como las que se usan para realizar una estimación de la supervivencia de un paciente, pueden ayudar al médico a tomar decisiones que comporten un mejor tratamiento y quizás la recuperación del paciente, algo especialmente importante en los casos más problemáticos, en los que la tasa de supervivencia sigue siendo baja.

“Es en estos casos donde nuestro trabajo se pone de manifiesto con mayor relevancia, puesto que proponemos modelos adaptados especialmente a los diferentes niveles de peligrosidad del cáncer y su mejora continua, permitiendo comprender mejor  el estado del paciente y ayudando de modo más eficaz al médico durante la evolución de la enfermedad”, concluye Kleinlein.

En el trabajo, que ha sido publicado en International Journal of Medical Informatics, ha participado también el Grup de Recerca en Intel·ligència Artificial de la Universitat Rovira i Virgili.

Kleinlein R; Riaño D. Persistence of data-driven knowledge to predict breast cancer survival International Journal of Medical Informatics.  https://doi.org/10.1016/j.ijmedinf.2019.06.018