El Hospital Universitario Infanta Leonor, perteneciente a la red sanitaria pública de la Comunidad de Madrid, lidera un estudio multicéntrico que ha desarrollado un modelo predictivo, que utiliza aprendizaje automático (machine learning, ML), para evaluar el riesgo de cáncer oculto entre los 30 días y 24 meses después de que un paciente haya sufrido un evento trombótico venoso (TEV).
La enfermedad tromboembólica venosa (ETEV), que incluye la trombosis venosa profunda y la embolia pulmonar, puede ser la primera manifestación de un cáncer no diagnosticado. La detección temprana de estos cánceres podría aumentar significativamente la supervivencia de los pacientes. El estudio “CLOVER” se ha publicado recientemente en la revista con cuartil 1, Medicina.
Este estudio multicéntrico, observacional retrospectivo, incluyó datos registrados entre 2005 y 2021 de 815 pacientes con TEV de dos hospitales madrileños (Hospital Universitario Infanta Leonor y Hospital Universitario de Fuenlabrada). Se emplearon técnicas de Machine Learning Prediction (MLP), que es un tipo de inteligencia artificial que a través de grandes cantidades de información (Big Data) genera un modelo predictivo con una elevada potencia. Durante el seguimiento, 56 pacientes (6,9%) fueron diagnosticados de cáncer oculto.
Los cánceres detectados más frecuentes fueron de próstata, pulmón y tracto gastrointestinal en hombres, y gastrointestinal, mama y hematológico en mujeres. En el 39% de los casos, el cáncer se diagnosticó en etapas avanzadas. Un total de 121 variables fueron exploradas para el análisis predictivo. El modelo final integra 15 variables fácilmente obtenibles que incluyen la edad, género, la presión arterial y parámetros analíticos, como el dímero-D y la hemoglobina.
El modelo desarrollado tiene una mayor capacidad diagnóstica en relación a los modelos predictivos anteriormente desarrollados basados en técnicas de análisis multivariante. La precisión obtenida por la herramienta es muy alta frente a las escalas pronósticas actuales, que han mostrado un rendimiento limitado en la práctica clínica. En concreto, tiene una especificidad del 94% (probabilidad de que se identifique como no enfermo a aquél que efectivamente no lo está). La herramienta puede permitir detectar de forma precoz a pacientes con cánceres incipientes, mejorando la supervivencia de los pacientes con cáncer, y evitando así estudios innecesarios en otros pacientes sin tumores.
En este estudio participan los Servicios de Medicina Interna y de Anatomía Patológica del Hospital Universitario Infanta Leonor, que es el centro coordinador del estudio, así como los Servicios de Medicina Interna de los hospitales universitarios de Fuenlabrada y 12 de Octubre, también de la Comunidad de Madrid, entre otros.
En los próximos meses, se va a realizar una validación de la herramienta en diferentes centros, que será esencial para su implementación clínica generalizada, y que seguramente mejorará la calidad de vida de estos pacientes.
Este modelo predictivo fue recientemente reconocido en la segunda edición de los Premios ‘Ennova Health’, que impulsa Diario Médico y Correo Farmacéutico para identificar y reconocer iniciativas digitales en salud que aporten valor, contribuyan a la sostenibilidad del sistema y mejoren la calidad de vida del paciente.
Hospital Universitario Infanta Leonor, a la vanguardia de la Innovación
El Hospital Universitario Infanta Leonor es un centro que sigue impulsando la Innovación como mecanismo de mejora continua, tal como se recoge en las diferentes líneas estratégicas de su Plan Estratégico 2021-2025. Son numerosos los proyectos que emplean tecnologías de vanguardia, como Inteligencia Artificial o robótica.
Entre ellos se encuentran el proyecto Atheroscope (herramienta que utiliza la inteligencia artificial para predecir el riesgo cardiovascular), el sistema de patología digital para incrementar la calidad de los diagnósticos, la gestión automatizada de la formación y docencia a través de una aplicación móvil, la aplicación de Inteligencia Artificial en las historias clínicas, la implantación de un algoritmo de clasificación y herramienta de ayuda a la toma de decisiones clínicas para la detección precoz del fracaso renal agudo, o la aplicación de la realidad virtual en el tratamiento de pacientes pediátricos, entre muchos otros.
