Un equipo de científicos de datos e investigadores médicos de UC Davis Health, entrenaron un modelo de machine learning capaz de predecir el riesgo de cáncer de hígado.
Investigadores de UC Davis Health, entrenaron un modelo de inteligencia artificial (IA) y machine learning capaz de predecir qué pacientes se encuentran en mayor riesgo de desarrollar un tipo común de cáncer de hígado denominado carcinoma hepatocelular. Según el estudio publicado en Gastro Hep Advances, la incidencia del carcinoma hepatocelular está aumentando y esto se relaciona con la enfermedad hepática esteatósica, asociada a disfunción metabólica, incluso en pacientes sin fibrosis hepática avanzada. El estudio también 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 detección selectiva y mitigación de riesgos.
En este sentido, los autores detallan como el aprendizaje predictivo puede ayudar a los médicos a proporcionar evaluaciones tempranas sobre el riesgo de esta enfermedad para pacientes diagnosticados con enfermedad hepática esteatósica asociada a disfunción metabólica (MAFLD). Por su parte, el coautor del estudio Aniket Alurwar, especialista en informática clínica del Centro de Medicina de Precisión 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 más de cerca y lograr una detección 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 evaluación y construcción 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 diagnosticó esta enfermedad.
El estudio también confirmó que uno de los marcadores más fiables de riesgo de carcinoma hepatocelular es la fibrosis o la cicatrización hepática avanzada, no obstante, el estudio también identifico cuatro factores de riesgo adicionales asociados con la función hepática: colesterol alto, hipertensión, bilirrubina y fosfatasa alcalina, una enzima que puede indicar problemas hepáticos.
“Obtuvimos una precisión del 92,12 % al predecir qué pacientes con MAFLD desarrollarían carcinoma hepatocelular, lo cual es muy bueno para un modelo piloto”, dijo Alurwar. “Los pacientes con FIB-4 bajo generalmente se consideran de bajo riesgo y no son remitidos para una evaluación adicional. Al mostrar cuáles de estos pacientes de ‘bajo riesgo’ podrían desarrollar CHC, podemos derivarlos para biopsias o imágenes de hígado”, agregó.
Finalmente, los investigadores plantean mejorar la precisión del modelo incorporando datos más precisos como notas clínicas. De esta forma incorporarían el procesamiento de lenguaje natural al modelo, para traducir los textos escritos en datos, lo que crearía un modelo todavía más potente.
