Un avance liderado por Cedars-Sinai promete acelerar el diagnóstico y tratamiento del cáncer.
Investigadores de Cedars-Sinai desarrollaron un método basado en inteligencia artificial (IA) que utiliza reportes de patología para evaluar rápidamente la severidad del cáncer en pacientes. Este avance busca no solo agilizar el proceso de selección para ensayos clínicos, sino también expandir las posibilidades de tratamiento personalizado para quienes padecen esta enfermedad.
En la actualidad, los registros tumorales son esenciales para seleccionar candidatos a ensayos clínicos, pero este proceso manual y laborioso suele retrasar el acceso a tratamientos relevantes. Esta nueva herramienta, descrita en la revista Nature Communications, automatiza la clasificación de los pacientes según la etapa de su cáncer, eliminando así meses de espera.
“Para cuando los datos de un paciente con cáncer se ingresan en un registro de tumores, pueden haber pasado meses, junto con la oportunidad de que el paciente participe en ensayos clínicos relevantes u otros tratamientos”, indicó el Dr. Nicholas Tatonetti, vicepresidente de Biomedicina Computacional en Cedars-Sinai.
Este modelo de IA se basa en reportes de patología, documentos que resumen los análisis de tejidos realizados por especialistas. El sistema, denominado BB-TEN, analiza rápidamente estos reportes utilizando una técnica de deep learning conocida como modelo transformador, que imita la capacidad de razonamiento del cerebro humano.
Según se detalla en el estudio, BB-TEN mostró resultados prometedores en múltiples escenarios. Luego de entrenarse con datos de más de 7 mil pacientes del Atlas del Genoma del Cáncer, la herramienta fue probada en otros 8 mil reportes de un centro médico, logrando resultados altamente precisos. Una de sus ventajas es que no necesita ser adaptada a instituciones específicas, lo que la convierte en una herramienta de uso generalizado.
Además de acelerar la selección de candidatos, el modelo podría ser clave en investigaciones retrospectivas y análisis observacionales, facilitando el desarrollo de tratamientos personalizados. Esto abre la puerta a integraciones futuras con otros tipos de datos clínicos, como imágenes médicas o información genética.
Finalmente, Cedars-Sinai ha hecho que BB-TEN esté disponible para usos académicos y otras aplicaciones, con el objetivo de fomentar la colaboración entre instituciones y acelerar la implementación de esta tecnología.
