La Dra. Vivian Lipari, directora ejecutiva de la Fundación Universitaria Iberoamericana (FUNIBER) en Chile, participó junto a un equipo internacional en un estudio publicado en The American Journal of Pathology que integra aprendizaje automático y análisis genómico para mejorar la detección y clasificación del cáncer gástrico.
Una enfermedad compleja
El cáncer gástrico constituye una importante problemática de salud a escala mundial. El artículo lo sitúa entre los tumores más diagnosticados y destaca que cada año afecta a más de un millón de personas. La detección temprana resulta fundamental para mejorar el pronóstico, aunque muchos casos se identifican cuando la enfermedad ya se encuentra avanzada.
Uno de los principales desafíos se relaciona con la heterogeneidad molecular del cáncer gástrico. Las características genéticas pueden variar entre pacientes y subtipos tumorales, lo que dificulta aplicar estrategias diagnósticas y terapéuticas uniformes. Además, los análisis histopatológicos convencionales, aunque continúan siendo esenciales, no siempre permiten captar toda la complejidad de los perfiles genómicos asociados a la enfermedad.
Más allá del diagnóstico convencional
Entre las soluciones estudiadas previamente se encuentran los modelos de aprendizaje automático aplicados a bases de datos genómicas, las firmas de expresión génica en muestras sanguíneas, la identificación de microARN y los sistemas de predicción basados en factores clínicos o de estilo de vida.
Estas investigaciones han mostrado resultados prometedores, pero también presentan limitaciones relacionadas con el uso de datos retrospectivos, tamaños muestrales reducidos o una validación externa insuficiente. Asimismo, algunos modelos se concentran en una única etapa del análisis y no combinan el descubrimiento de patrones moleculares con la clasificación predictiva de los subtipos de cáncer.
Una arquitectura integrada
El estudio propone una metodología que combina diferentes herramientas de inteligencia artificial y análisis de datos para identificar patrones en la información genética. Los investigadores agruparon los perfiles según sus características y utilizaron estos grupos para desarrollar modelos capaces de reconocer patrones similares en nuevos datos.
Además, aplicaron diferentes métodos para comprobar la consistencia de los resultados, identificar posibles datos atípicos y facilitar la interpretación de la información. Finalmente, analizaron qué características genéticas tenían mayor influencia en las predicciones de los modelos, con el propósito de obtener resultados más comprensibles y fiables.
Resultados de alto rendimiento
Los resultados mostraron un alto nivel de precisión en los modelos evaluados. La máquina de vectores soporte obtuvo el mejor desempeño, con un 99,15 % de precisión, seguida por el modelo de stacking, con un 98,87 %, y Random Forest, con un 97,29 %. En conjunto, los resultados confirman la capacidad de estas herramientas para clasificar los perfiles genómicos de manera precisa y consistente.
El análisis adicional de los resultados respaldó la solidez de los modelos y mostró que su desempeño fue significativamente superior al que se obtendría por azar. Estos hallazgos refuerzan el potencial de la inteligencia artificial para apoyar el análisis y clasificación de información genética.
Proyección clínica futura
El trabajo concluye que la integración de bioinformática, análisis genómico y aprendizaje automático puede contribuir a mejorar la clasificación de subtipos moleculares y favorecer la búsqueda de potenciales biomarcadores. La combinación de técnicas no supervisadas y supervisadas también ofrece una vía para desarrollar herramientas más interpretables y orientadas a la medicina personalizada.
Los resultados representan una primera evidencia del potencial de estas herramientas para identificar y diferenciar patrones genéticos, pero todavía no constituyen una herramienta clínica de aplicación directa. Como próximos pasos, los autores plantean ampliar la base de datos, incorporar nuevos perfiles genéticos y explorar técnicas más avanzadas que permitan mejorar la precisión y utilidad de estos sistemas.
Si quieres conocer más sobre este estudio, haz clic aquí.
Para leer más investigaciones, consulta el repositorio de UNEATLANTICO.
A través de su Programa de Becas y su Red Universitaria, FUNIBER facilita el acceso a estudios de grado y posgrado en diversas áreas académicas, entre ellas nutrición, salud pública, gestión e investigación sanitaria y enfermería. Completa el formulario para solicitar información sobre las becas disponibles y las opciones de formación en estas disciplinas.