Un equipo del Centro Oncológico de la Universidad de Cincinnati describió un enfoque asistido por inteligencia artificial que combina métodos estadísticos establecidos con aprendizaje profundo para predecir la supervivencia del cáncer de mama. El trabajo, publicado en Journal of Statistical Theory and Practice, pretende ayudar a estimar el riesgo y apoyar una atención personalizada.
Los modelos tradicionales no siempre captan las relaciones complejas entre las características clínicas, la biología tumoral y los factores genéticos que influyen en el pronóstico individual.
El sistema utiliza una estrategia de “fusión” que combina varios métodos estadísticos con aprendizaje profundo para representar el riesgo con mayor precisión y formar grupos más específicos de pacientes.
Por qué los modelos necesitan más detalle
El cáncer de mama no es una enfermedad uniforme. La información clínica, los indicadores biológicos y los factores genéticos pueden influir en el tratamiento y el pronóstico.
La autora correspondiente, Wedad Alatebi, explicó que el proyecto estudió si la combinación de métodos estadísticos y aprendizaje profundo podía captar mejor esas relaciones.
El coautor Anand Seth señaló que el enfoque combinado puede crear agrupaciones de riesgo más específicas y ayudar a adaptar las decisiones terapéuticas.
Unir la estadística y la IA
El análisis estadístico de supervivencia sigue siendo importante. El estudio no presenta el aprendizaje profundo como sustituto total, sino como parte de un marco capaz de aprender patrones complejos.
El modelo transforma primero la información clínica en una representación del riesgo y después incorpora el aprendizaje profundo al proceso predictivo.
Un modelo de supervivencia no es una decisión terapéutica, sino una herramienta de apoyo. Su valor dependería de una validación adecuada y de su uso junto con el criterio médico, las preferencias del paciente y otras pruebas.
Incorporar información genética
La información genética tumoral puede mejorar los modelos, pero las pruebas genéticas no están disponibles por igual. El equipo de Cincinnati incorporó datos simulados de expresión génica para afrontar esa limitación.
Los datos simulados no eliminan la necesidad de validación. El método se presenta como una posible vía de investigación, no como un estándar clínico establecido.
Qué podría significar
Si se valida, una clasificación más precisa del riesgo podría apoyar conversaciones individualizadas sobre tratamiento y seguimiento. Por ahora, el trabajo debe entenderse como un modelo en fase de investigación. Su impacto dependerá de estudios posteriores y de demostrar que mejores predicciones producen mejores decisiones.
Este artículo se basa en información de Medical Xpress. Lea el artículo original.
Originally published on medicalxpress.com
