{"id":44258,"date":"2024-03-08T10:49:47","date_gmt":"2024-03-08T16:49:47","guid":{"rendered":"https:\/\/saluddigital.com\/?p=44258"},"modified":"2025-10-18T22:04:47","modified_gmt":"2025-10-19T04:04:47","slug":"utilizan-ia-para-la-prediccion-de-riesgo-de-cancer-de-higado","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/utilizan-ia-para-la-prediccion-de-riesgo-de-cancer-de-higado\/","title":{"rendered":"Utilizan IA para la predicci\u00f3n de riesgo de c\u00e1ncer de h\u00edgado"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Un equipo de cient\u00edficos de datos e investigadores m\u00e9dicos de UC Davis Health, entrenaron un modelo de machine learning capaz de predecir el riesgo de c\u00e1ncer de h\u00edgado.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Investigadores de UC Davis Health, entrenaron un modelo de inteligencia artificial (IA) y machine learning capaz de predecir qu\u00e9 pacientes se encuentran en mayor riesgo de desarrollar un tipo com\u00fan de c\u00e1ncer de h\u00edgado denominado carcinoma hepatocelular.\u00a0 <\/span>Seg\u00fan el study<\/span><\/a> published in Gastro Hep Advances<\/i>, la incidencia del carcinoma hepatocelular est\u00e1 aumentando y esto se relaciona con la enfermedad hep\u00e1tica esteat\u00f3sica, asociada a disfunci\u00f3n metab\u00f3lica, incluso en pacientes sin fibrosis hep\u00e1tica avanzada. El estudio tambi\u00e9n detalla que las herramientas de machine learning son capaces de caracterizar grandes conjuntos de datos y ayudar a desarrollar modelos predictivos que puedan calcular el riesgo individual de carcinoma hepatocelular y guiar estrategias de detecci\u00f3n selectiva y mitigaci\u00f3n de riesgos.<\/p>

En este sentido, los autores detallan como el aprendizaje predictivo puede ayudar a los m\u00e9dicos a proporcionar evaluaciones tempranas sobre el riesgo de esta enfermedad para pacientes diagnosticados con enfermedad hep\u00e1tica esteat\u00f3sica asociada a disfunci\u00f3n metab\u00f3lica (MAFLD). Por su parte, el coautor del estudio Aniket Alurwar, especialista en inform\u00e1tica cl\u00ednica del Centro de Medicina de Precisi\u00f3n y Ciencias de Datos de UC Davis, explica que no tiene sentido realizar una biopsia a cada paciente con esta enfermedad, pero si es posible segmentar el riesgo y rastrear a esas personas m\u00e1s de cerca y lograr una detecci\u00f3n temprana de carcinoma hepatocelular.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Cabe destacar que este es uno de los primeros estudios de su tipo, al utilizar algoritmos de machine learning que aprovecharon grandes conjuntos de datos para realizar predicciones verificables.<\/p>

Para ello probaron nueve algoritmos diferentes y seleccionaron cinco para su evaluaci\u00f3n y construcci\u00f3n de modelos. Los algoritmos fueron entrenados para ejecutar datos de salud no identificados de 1,561 pacientes con MAFLD de UC Davis Health, de los cuales 227 desarrollaron carcinoma hepatocelular. Los cinco algoritmos fueron validados posteriormente con datos de 686 pacientes de UC San Francisco y a 176 pacientes se les diagnostic\u00f3 esta enfermedad.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El estudio tambi\u00e9n confirm\u00f3 que uno de los marcadores m\u00e1s fiables de riesgo de carcinoma hepatocelular es la fibrosis o la cicatrizaci\u00f3n hep\u00e1tica avanzada, no obstante, el estudio tambi\u00e9n identifico cuatro factores de riesgo adicionales asociados con la funci\u00f3n hep\u00e1tica: colesterol alto, hipertensi\u00f3n, bilirrubina y fosfatasa alcalina, una enzima que puede indicar problemas hep\u00e1ticos.<\/p>

\u201cObtuvimos una precisi\u00f3n del 92,12 % al predecir qu\u00e9 pacientes con MAFLD desarrollar\u00edan carcinoma hepatocelular, lo cual es muy bueno para un modelo piloto\u201d, dijo Alurwar. \u201cLos pacientes con FIB-4 bajo generalmente se consideran de bajo riesgo y no son remitidos para una evaluaci\u00f3n adicional. Al mostrar cu\u00e1les de estos pacientes de ‘bajo riesgo’ podr\u00edan desarrollar CHC, podemos derivarlos para biopsias o im\u00e1genes de h\u00edgado\u201d, agreg\u00f3.<\/p>

Finalmente, los investigadores plantean mejorar la precisi\u00f3n del modelo incorporando datos m\u00e1s precisos como notas cl\u00ednicas. De esta forma incorporar\u00edan el procesamiento de lenguaje natural al modelo, para traducir los textos escritos en datos, lo que crear\u00eda un modelo todav\u00eda m\u00e1s potente.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

UC DAVIS HEALTH<\/b><\/p>

https:\/\/health.ucdavis.edu\/news\/headlines\/uc-davis-health-team-uses-ai-to-predict-risk-of-liver-cancer\/2024\/02<\/a><\/span><\/p>

SCIENCE DIRECT<\/b><\/p>

https:\/\/www.sciencedirect.com\/science\/article\/pii\/S2772572324000074<\/a><\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Un equipo de cient\u00edficos de datos e investigadores m\u00e9dicos de UC Davis Health, entrenaron un modelo de machine learning capaz de predecir el riesgo de c\u00e1ncer de h\u00edgado. Investigadores de UC Davis Health, entrenaron un modelo de inteligencia artificial (IA) y machine learning capaz de predecir qu\u00e9 pacientes se encuentran en mayor riesgo de desarrollar un tipo com\u00fan de c\u00e1ncer de h\u00edgado denominado carcinoma hepatocelular.\u00a0 Seg\u00fan el estudio publicado en Gastro Hep Advances, la incidencia del carcinoma hepatocelular est\u00e1 aumentando y esto se relaciona con la enfermedad hep\u00e1tica esteat\u00f3sica, asociada a disfunci\u00f3n metab\u00f3lica, incluso en pacientes sin fibrosis hep\u00e1tica avanzada. El estudio tambi\u00e9n detalla que las herramientas de machine learning son capaces de caracterizar grandes conjuntos de datos y ayudar a desarrollar modelos predictivos que puedan calcular el riesgo individual de carcinoma hepatocelular y guiar estrategias de detecci\u00f3n selectiva y mitigaci\u00f3n de riesgos. En este sentido, los autores detallan como el aprendizaje predictivo puede ayudar a los m\u00e9dicos a proporcionar evaluaciones tempranas sobre el riesgo de esta enfermedad para pacientes diagnosticados con enfermedad hep\u00e1tica esteat\u00f3sica asociada a disfunci\u00f3n metab\u00f3lica (MAFLD). Por su parte, el coautor del estudio Aniket Alurwar, especialista en inform\u00e1tica cl\u00ednica del Centro de Medicina de Precisi\u00f3n y Ciencias de Datos de UC Davis, explica que no tiene sentido realizar una biopsia a cada paciente con esta enfermedad, pero si es posible segmentar el riesgo y rastrear a esas personas m\u00e1s de cerca y lograr una detecci\u00f3n temprana de carcinoma hepatocelular. Cabe destacar que este es uno de los primeros estudios de su tipo, al utilizar algoritmos de machine learning que aprovecharon grandes conjuntos de datos para realizar predicciones verificables. Para ello probaron nueve algoritmos diferentes y seleccionaron cinco para su evaluaci\u00f3n y construcci\u00f3n de modelos. Los algoritmos fueron entrenados para ejecutar datos de salud no identificados de 1,561 pacientes con MAFLD de UC Davis Health, de los cuales 227 desarrollaron carcinoma hepatocelular. Los cinco algoritmos fueron validados posteriormente con datos de 686 pacientes de UC San Francisco y a 176 pacientes se les diagnostic\u00f3 esta enfermedad. El estudio tambi\u00e9n confirm\u00f3 que uno de los marcadores m\u00e1s fiables de riesgo de carcinoma hepatocelular es la fibrosis o la cicatrizaci\u00f3n hep\u00e1tica avanzada, no obstante, el estudio tambi\u00e9n identifico cuatro factores de riesgo adicionales asociados con la funci\u00f3n hep\u00e1tica: colesterol alto, hipertensi\u00f3n, bilirrubina y fosfatasa alcalina, una enzima que puede indicar problemas hep\u00e1ticos. \u201cObtuvimos una precisi\u00f3n del 92,12 % al predecir qu\u00e9 pacientes con MAFLD desarrollar\u00edan carcinoma hepatocelular, lo cual es muy bueno para un modelo piloto\u201d, dijo Alurwar. \u201cLos pacientes con FIB-4 bajo generalmente se consideran de bajo riesgo y no son remitidos para una evaluaci\u00f3n adicional. Al mostrar cu\u00e1les de estos pacientes de ‘bajo riesgo’ podr\u00edan desarrollar CHC, podemos derivarlos para biopsias o im\u00e1genes de h\u00edgado\u201d, agreg\u00f3. Finalmente, los investigadores plantean mejorar la precisi\u00f3n del modelo incorporando datos m\u00e1s precisos como notas cl\u00ednicas. De esta forma incorporar\u00edan el procesamiento de lenguaje natural al modelo, para traducir los textos escritos en datos, lo que crear\u00eda un modelo todav\u00eda m\u00e1s potente. BIBLIOGRAF\u00cdA UC DAVIS HEALTH https:\/\/health.ucdavis.edu\/news\/headlines\/uc-davis-health-team-uses-ai-to-predict-risk-of-liver-cancer\/2024\/02 SCIENCE DIRECT https:\/\/www.sciencedirect.com\/science\/article\/pii\/S2772572324000074<\/p>","protected":false},"author":1,"featured_media":44260,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-44258","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/44258","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=44258"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/44258\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/44260"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=44258"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=44258"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=44258"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}