La detección temprana del cáncer es uno de los grandes desafíos de la medicina actual. Identificar a las personas con mayor probabilidad de desarrollar un tumor antes de que aparezcan síntomas podría transformar los programas de cribado y mejorar los resultados clínicos. En esta línea, un estudio internacional presentado en el Congreso de la ESMO de 2026 ha evaluado el potencial de los modelos de aprendizaje automático para predecir el riesgo de cáncer a partir de datos sanitarios recopilados de forma rutinaria, como análisis de sangre, antecedentes médicos y factores de estilo de vida.
Modelos predictivos para 20 tipos de cáncer
Los investigadores desarrollaron alrededor de 500 modelos de aprendizaje automático con el objetivo de predecir el riesgo de desarrollar 20 tipos de cáncer frecuentes. Para entrenarlos, utilizaron datos de 463.620 participantes del Biobanco del Reino Unido (UK Biobank), a quienes se realizó un seguimiento durante aproximadamente 18 años. Durante ese periodo, 57.055 participantes desarrollaron cáncer. Los modelos incorporaron variables como antecedentes médicos, factores relacionados con el estilo de vida, análisis de sangre y datos genéticos y metabolómicos.
Para evaluar la capacidad de predicción en distintas poblaciones, los investigadores validaron los modelos con datos de participantes de Escocia y Gales, así como de 42.036 personas incluidas en el programa estadounidense All of Us y de más de tres millones de personas de la base de datos japonesa JMDC. Además, para minimizar la posible influencia de enfermedades no diagnosticadas al inicio del estudio, se excluyeron los casos de cáncer detectados durante el primer año de seguimiento.
Resultados prometedores en pulmón, esófago e hígado
Los modelos superaron a los métodos estadísticos tradicionales, aunque su capacidad predictiva varió según el tipo de cáncer. Para un resultado combinado que incluía los tipos de cáncer cuyo riesgo podía estimarse a partir de datos clínicos rutinarios, alcanzaron un área bajo la curva ROC (AUROC) de 0,83 a 15 años. Esta métrica oscila entre 0,5, que indica una capacidad de discriminación equivalente al azar, y 1,0, que corresponde a una discriminación perfecta.
Los resultados fueron especialmente prometedores para los cánceres de pulmón, esófago e hígado, mientras que la capacidad predictiva fue más limitada para los de ovario, mama y cuello uterino. En la leucemia mieloide aguda y el mieloma múltiple el rendimiento de los modelos disminuyó al ampliar el horizonte de predicción, lo que sugiere que algunas predicciones a corto plazo podrían estar detectando señales tempranas de tumores ya presentes pero aún no diagnosticados.
Gran parte de la capacidad predictiva de los modelos se basó en los resultados de análisis de sangre rutinarios y en los antecedentes clínicos. Los análisis de sangre siguieron aportando información predictiva para los cánceres diagnosticados más de cinco años después, mientras que la incorporación de datos genéticos y metabolómicos solo mejoró ligeramente el rendimiento.
Además, el equipo desarrolló PRE-Screen, una herramienta diseñada para que los agentes de inteligencia artificial basados en grandes modelos de lenguaje (LLM) puedan ejecutar los modelos de predicción del riesgo de forma sistemática y coherente. Los agentes que utilizaron esta herramienta obtuvieron resultados considerablemente mejores que aquellos que realizaron las predicciones sin este apoyo.
Un paso hacia el cribado personalizado
El autor principal del estudio, el Dr. Paul-Henry Koop, del Centro Else Kröner Fresenius de Salud Digital de la Universidad Técnica de Dresde (Alemania), afirmó que en determinados tipos de cáncer estos modelos podrían utilizarse como herramientas de precribado de bajo coste, basadas en datos que ya se recogen de forma habitual en la práctica clínica.
Koop señaló que los programas de cribado actuales se centran en determinados tipos de cáncer y suelen establecer criterios generales de elegibilidad, en lugar de evaluar el riesgo individual de cada persona. En la Unión Europea, las recomendaciones de cribado se han centrado tradicionalmente en los cánceres de mama, cuello uterino y colorrectal, aunque el Consejo de la UE también recomienda estudiar la posibilidad de ampliar estos programas a otros tipos de cáncer.
El investigador explicó que los distintos tipos de cáncer presentan diferencias importantes en sus mecanismos de desarrollo y en la medida en que sus factores de riesgo y lesiones precursoras quedan reflejados en los datos clínicos recopilados de forma rutinaria. Estos modelos podrían contribuir a orientar los programas de cribado y las intervenciones destinadas a reducir el riesgo de cáncer.
No obstante, advirtió de que muchas de las personas identificadas como de alto riesgo no llegarían a desarrollar la enfermedad, por lo que un resultado positivo debería dar paso, en primer lugar, a pruebas mínimamente invasivas. Dado que el estudio se basó en el análisis retrospectivo de datos ya existentes, serán necesarias nuevas investigaciones para determinar si este enfoque permite adelantar el diagnóstico y mejorar los resultados clínicos de los pacientes.
Validación y cautelas antes de su aplicación clínica
El Dr. Marco Lorenzi, director de investigación en Inria Sophia Antipolis, de la Universidad Costa Azul (Francia), que no participó en el estudio, subrayó la necesidad de evaluar exhaustivamente el protocolo propuesto en poblaciones y entornos distintos de los representados en el Biobanco del Reino Unido.
Lorenzi destacó la importancia de realizar más estudios de validación para evaluar la fiabilidad de los modelos, su capacidad para generalizar los resultados a otras poblaciones y la posible presencia de sesgos. Asimismo, señaló que el protocolo de análisis automatizado propuesto en este estudio podría ser una herramienta útil para establecer prioridades entre los pacientes, favorecer la detección precoz y evaluar el riesgo, lo que podría contribuir a reducir la carga asistencial y aliviar la presión sobre el sistema sanitario.
En definitiva, los modelos de aprendizaje automático basados en datos rutinarios se perfilan como una vía prometedora para la predicción del riesgo de cáncer, aunque su implementación clínica requerirá de estudios prospectivos que confirmen su utilidad para mejorar la detección temprana y los resultados en salud.
La investigación presentada en ESMO 2026 abre un camino hacia una medicina más personalizada en la prevención del cáncer, pero también evidencia la necesidad de validar estos hallazgos en diferentes contextos antes de su adopción generalizada.
¡Síguenos en Telegram!