Els nostres resultats preliminars

LUNG-PREDICT: Intel·ligència artificial per a la detecció precoç del càncer de pulmó

El càncer de pulmó és la principal causa de mort relacionada amb el càncer a tot el món. Una de les principals raons és que el diagnòstic sovint es produeix massa tard. Detectar la malaltia abans que progressi canvia radicalment el pronòstic; no obstant això, les vies diagnòstiques actuals depenen en gran mesura de proves d'imatge i procediments invasius que no sempre estan disponibles o accessibles a tots els pacients.

En aquest context, el projecte LUNG-PREDICT, desenvolupat per Premium Research en col·laboració amb l'IDIBAPS i l'Hospital Clínic de Barcelona, ​​ha explorat durant l'últim any si és possible construir una eina de suport a la decisió clínica basada en la intel·ligència artificial, utilitzant només dades que ja es generen rutinàriament al laboratori.

L'enfocament: no invasiu i accessible

El punt de partida metodològic del projecte es basa en una observació pràctica: els pacients amb sospita de càncer de pulmó ja disposen, des del principi, de resultats d'anàlisis de sang que inclouen biomarcadors tumorals, paràmetres hematològics i bioquímics, així com variables clíniques bàsiques. Aquestes dades existeixen, estan fàcilment disponibles i fins ara no s'havien aprofitat sistemàticament com a base d'un model predictiu.

El treball es va centrar inicialment en estructurar i auditar una cohort de pacients de la via ràpida de l'Hospital Clínic, verificant la qualitat i la integritat de les dades abans de qualsevol modelització. A continuació, es va analitzar individualment la capacitat predictiva de cada variable, confirmant que cap marcador únic és suficient per si sol per estratificar el risc de manera fiable. Aquesta fase exploratòria subratlla la justificació d'un enfocament multivariant: la informació rellevant no rau en un sol paràmetre, sinó en la combinació i interacció entre ells.

Sobre aquesta base, es van entrenar i comparar diferents algoritmes d'aprenentatge automàtic, aplicant tècniques de validació creuada i avaluació sobre dades no vistes prèviament pel model durant l'entrenament. Un aspecte clau del treball ha estat la incorporació d'eines d'explicabilitat que permeten identificar quines variables contribueixen més a cada predicció individual, un requisit essencial perquè un sistema sigui interpretat i utilitzat amb confiança pels professionals clínics.

El resultat és un sistema que, en el seu estat actual, funciona com una eina de suport a la decisió en lloc d'un substitut del judici clínic. El seu propòsit és ajudar a prioritzar quins pacients requereixen una avaluació més urgent i quins presenten un perfil de risc més baix, contribuint així a una gestió més eficient de la via diagnòstica.

Aviat hi haurà més resultats. També estem treballant en publicacions científiques.