Investigadores de la Universidad Queen Mary de Londres y de la Universidad de Oxford han desarrollado algoritmos innovadores que podrían mejorar significativamente el diagnóstico precoz del cáncer en atención primaria mediante el uso de datos sanitarios comunes y análisis de sangre de rutina.
Han surgido dos algoritmos predictivos innovadores que prometen un avance significativo en la detección temprana de cánceres no diagnosticados, en particular aquellos difíciles de identificar con métodos tradicionales. Desarrollados mediante una colaboración entre la Universidad Queen Mary de Londres y la Universidad de Oxford, estos modelos aprovechan datos anónimos de más de 7.4 millones de adultos en Inglaterra.
Los nuevos algoritmos utilizan información de salud del paciente y los resultados de siete análisis de sangre de rutina (que miden el hemograma completo y los biomarcadores de la función hepática) para predecir con mayor precisión la presencia de cánceres no diagnosticados.
Esta sensibilidad superior podría transformar el modo en que los médicos generales identifican y diagnostican el cáncer, dando lugar a tratamientos más tempranos y potencialmente salvadores de vidas.
Los algoritmos de predicción existentes, como las puntuaciones QCancer utilizadas por el Servicio Nacional de Salud (NHS) del Reino Unido, ya integran datos de pacientes para señalar a los individuos de alto riesgo.
Sin embargo, estos nuevos modelos proporcionan un enfoque mucho más sensible, ya que utilizan marcadores de salud adicionales y mejoran la capacidad de los algoritmos para identificar 15 tipos de cáncer, incluidos el de hígado, riñón y páncreas, así como formas raras.
“Estos algoritmos están diseñados para integrarse en sistemas clínicos y utilizarse durante las consultas rutinarias de medicina general. Ofrecen una mejora sustancial con respecto a los modelos actuales, con mayor precisión en la identificación de cánceres, especialmente en etapas tempranas y más tratables”, declaró en un comunicado de prensa la autora principal, Julia Hippisley-Cox, profesora de epidemiología clínica y medicina predictiva de la Universidad Queen Mary de Londres.
El análisis detallado reveló que los nuevos modelos identificaron cuatro afecciones médicas adicionales y siete síntomas nuevos asociados con un mayor riesgo de cáncer. Síntomas como picazón, hematomas, dolor de espalda, ronquera, flatulencia, masa abdominal y orina oscura se identificaron como significativos para varios tipos de cáncer, lo que mejoró la capacidad diagnóstica de los algoritmos.
La coautora Carol Coupland, investigadora principal de la Universidad Queen Mary de Londres, destacó la amplia aplicabilidad de estos algoritmos.
“Estos nuevos algoritmos para evaluar el riesgo de que las personas tengan cáncer actualmente no diagnosticado muestran una capacidad mejorada para identificar a las personas con mayor riesgo de tener uno de los 15 tipos de cáncer basándose en sus síntomas, resultados de análisis de sangre, factores de estilo de vida y otra información registrada en sus historiales médicos”, añadió.
El desarrollo de estos algoritmos llega en un momento crucial, ya que los sistemas de salud a nivel mundial buscan mejorar sus tasas de detección del cáncer. Esta innovación promete no solo una mayor precisión diagnóstica, sino también una integración rentable en los sistemas de salud existentes, lo que la convierte en una solución atractiva para su implementación generalizada.
Al aprovechar datos de pacientes fácilmente disponibles y resultados de análisis de sangre de rutina, estos algoritmos tienen el potencial de mejorar significativamente el diagnóstico temprano del cáncer, alineándose con los objetivos del NHS de mejorar la detección temprana del cáncer para 2028.
La investigación, publicado En Nature Communications, se destaca la importancia de aprovechar el análisis de datos avanzados en la atención médica, ofreciendo un faro de esperanza para muchos pacientes y una herramienta prometedora para los proveedores de atención médica en todo el mundo.
Fuente: Queen Mary University of London