El aprendizaje automático predice los cánceres de esófago y estómago utilizando datos de EHR

Fuente: Getty Images

Por Shania Kennedy

28 de agosto de 2023: un modelo de aprendizaje automático (ML) puede predecir automáticamente el adenocarcinoma de esófago (EAC) y el adenocarcinoma de cardias gástrico (GCA) tres años antes de un diagnóstico formal, según un estudio publicado recientemente en Gastroenterology.

Los investigadores indicaron que las tasas de EAC y GCA han aumentado significativamente en los Estados Unidos y otros países occidentales durante los últimos cincuenta años, lo que facilita la necesidad de mejorar la detección.

"Las pruebas de detección pueden identificar cambios precancerosos en los pacientes, el esófago de Barrett, que a veces se diagnostica en personas que tienen enfermedad de reflujo gastroesofágico a largo plazo o ERGE", explicó Joel Rubenstein, MD, profesor de medicina interna en Michigan Medicine y un investigador. científico del Centro de Asuntos de Veteranos para la Investigación de Gestión Clínica Teniente Coronel Charles S. Kettles, en un comunicado de prensa que detalla la investigación.

La detección temprana de estos cánceres puede ayudar a los pacientes y a los equipos de atención a tomar medidas para prevenir la progresión, pero muchos proveedores desconocen las pautas de detección pertinentes. Como resultado, muchos pacientes finalmente diagnosticados con EAC o GCA nunca se han sometido a ningún examen, continuó.

Para ayudar a abordar esto, el equipo de investigación buscó crear una herramienta automatizada que pudiera integrarse en los EHR para ayudar a guiar la toma de decisiones clínicas.

El modelo resultante, Kettles Esophageal and Cardia Adenocarcinoma predictioN (K-ECAN), se entrenó utilizando datos del almacén de datos corporativo de la Administración de Salud de Veteranos (VHA). A partir de ahí, se identificaron 8.430 pacientes diagnosticados con EAC y 2.965 con GCA en el Registro Central de Cáncer de la VHA y se compararon con 10.256.887 controles.

"K-ECAN utiliza información básica que ya está disponible en la HCE, como datos demográficos del paciente, peso, diagnósticos previos y resultados de laboratorio de rutina, para determinar el riesgo de un individuo de desarrollar adenocarcinoma de esófago y adenocarcinoma de cardias gástrico", dijo Rubenstein.

Esto puede ayudar a los proveedores a determinar mejor el riesgo de cada paciente.

"Los síntomas de ERGE, como la acidez de estómago, son un factor de riesgo importante para el adenocarcinoma de esófago", afirmó Rubenstein. “Pero la mayoría de las personas con síntomas de ERGE nunca desarrollarán adenocarcinoma de esófago ni adenocarcinoma de cardias gástrico. Además, aproximadamente la mitad de los pacientes con este tipo de cáncer nunca habían experimentado ningún síntoma previo de ERGE. Esto hace que K-ECAN sea particularmente útil porque puede identificar a las personas que tienen un riesgo elevado, independientemente de si tienen síntomas de ERGE o no”.

Se descubrió que el modelo tiene una mejor discriminación que las pautas existentes y dos modelos de predicción previamente validados, y Rubenstein señaló que K-ECAN puede "predecir con precisión el cáncer al menos tres años antes de un diagnóstico".

El equipo de investigación indicó que incorporar una herramienta como K-ECAN en los EHR podría ayudar a alertar a los proveedores sobre qué pacientes están en riesgo de EAC o GCA a través de una notificación automática en los momentos oportunos, como cuando el paciente debe someterse a un examen colorrectal.

Sugirieron que hacerlo podría reducir significativamente la carga de estos cánceres.

En el futuro, los investigadores trabajarán para validar K-ECAN fuera de la VHA.

También se están realizando otros esfuerzos para mejorar la atención del cáncer mediante ML.

A principios de este mes, los investigadores validaron externamente un modelo de ML desarrollado para predecir el riesgo de mortalidad a seis meses para pacientes con cáncer avanzado que inician una nueva línea de terapia (LOT).

El modelo se creó originalmente para clasificar el riesgo de mortalidad de los pacientes para ayudar a facilitar conversaciones sobre enfermedades graves entre proveedores y pacientes en diversos puntos de decisión de tratamiento (TDP).

El modelo utiliza 45 características recopiladas de EHR que se pueden implementar a través del estándar Fast Healthcare Interoperability Resources (FHIR) y se descubrió que categoriza con precisión el riesgo de mortalidad del paciente, destacando el potencial de estas herramientas en la atención oncológica.