Resultados preliminares

LUNG-PREDICT: Inteligencia Artificial para la Detección Temprana del Cáncer de Pulmón

El cáncer de pulmón es la principal causa de muerte por cáncer en todo el mundo. Una de las razones principales es que el diagnóstico suele producirse demasiado tarde. Detectar la enfermedad antes de que progrese cambia radicalmente el pronóstico; sin embargo, los métodos diagnósticos actuales dependen en gran medida de pruebas de imagen y procedimientos invasivos que no siempre están disponibles o son accesibles para todos los pacientes.

En este contexto, el proyecto LUNG-PREDICT, desarrollado por Premium Research en colaboración con IDIBAPS y el Hospital Clínic de Barcelona, ​​ha explorado durante el último año la posibilidad de crear una herramienta de apoyo a la toma de decisiones clínicas basada en inteligencia artificial, utilizando únicamente datos que ya se generan de forma rutinaria en el laboratorio.

El enfoque: no invasivo y accesible

El punto de partida metodológico del proyecto se basa en una observación práctica: los pacientes con sospecha de cáncer de pulmón ya disponen, desde el principio, de los resultados de análisis de sangre que incluyen biomarcadores tumorales, parámetros hematológicos y bioquímicos, así como variables clínicas básicas. Estos datos existen, están fácilmente disponibles y, hasta ahora, no se habían utilizado sistemáticamente como base para un modelo predictivo.

El trabajo se centró inicialmente en estructurar y auditar una cohorte de pacientes del programa de atención rápida del Hospital Clínic, verificando la calidad y la exhaustividad de los datos antes de cualquier modelado. Posteriormente, se analizó la capacidad predictiva de cada variable individualmente, confirmando que ningún marcador por sí solo es suficiente para estratificar el riesgo de forma fiable. Esta fase exploratoria subraya la justificación de un enfoque multivariante: la información relevante no reside en un único parámetro, sino en la combinación e interacción entre ellos.

Sobre esta base, se entrenaron y compararon diferentes algoritmos de aprendizaje automático, aplicando técnicas de validación cruzada y evaluándolos con datos no vistos previamente por el modelo durante el entrenamiento. Un aspecto clave del trabajo ha sido la incorporación de herramientas de explicabilidad que permiten identificar qué variables contribuyen en mayor medida a cada predicción individual, un requisito esencial para que un sistema pueda ser interpretado y utilizado con confianza por los profesionales clínicos.

El resultado es un sistema que, en su estado actual, funciona como una herramienta de apoyo a la toma de decisiones, más que como un sustituto del juicio clínico. Su propósito es ayudar a priorizar qué pacientes requieren una evaluación más urgente y cuáles presentan un perfil de menor riesgo, contribuyendo así a una gestión más eficiente del proceso diagnóstico.

Próximamente se publicarán más resultados. También estamos trabajando en publicaciones científicas.