Apoyando a los profesionales de la oncología a través de la educación
El contenido de este sitio está destinado solo a profesionales de la salud
El contenido de este sitio está destinado solo a profesionales de la salud
El cáncer de pulmón es la principal causa de muerte por cáncer en Estados Unidos y en todo el mundo.
Se recomienda la tomografía computarizada torácica de baja dosis (LDCT) para el cribado de personas de entre 50 y 80 años con antecedentes significativos de tabaquismo o que fuman en la actualidad.
Se ha demostrado que el cribado del cáncer de pulmón con LDCT reduce la mortalidad por cáncer de pulmón hasta en un 24%.
Pero a medida que aumentan las tasas de cáncer de pulmón entre los no fumadores, se necesitan nuevas estrategias para detectar y predecir con exactitud el riesgo de cáncer de pulmón en una población más amplia.
Un estudio dirigido por investigadores del Centro Oncológico Mass General, perteneciente al Mass General Brigham, en colaboración con investigadores del Instituto Tecnológico de Massachusetts (MIT), desarrolló y probó una herramienta de inteligencia artificial conocida como Sybil.
Basándose en análisis de escáneres LDCT de pacientes de EE.UU. y Taiwán, Sybil predijo con exactitud el riesgo de cáncer de pulmón en individuos con o sin antecedentes significativos de tabaquismo.
Los resultados se publican en la revista Journal of Clinical Oncology.
"Las tasas de cáncer de pulmón siguen aumentando entre las personas que nunca han fumado o que no han fumado en años, lo que sugiere que hay muchos factores de riesgo que contribuyen al riesgo de cáncer de pulmón, algunos de los cuales son actualmente desconocidos", dijo la autora Lecia Sequist, MD, MPH, directora del Centro de Innovación en Detección Precoz del Cáncer y oncóloga médica de cáncer de pulmón en el Mass General Cancer Centre. "En lugar de evaluar los factores de riesgo ambientales o genéticos individuales, hemos desarrollado una herramienta que puede utilizar imágenes para observar la biología colectiva y hacer predicciones sobre el riesgo de cáncer".
La US Preventive Service Task Force recomienda la LDCT anual a las personas mayores de 50 años con un historial de 20 paquetes-año, que fumen actualmente o hayan dejado de fumar en los últimos 15 años.
Sin embargo, menos del 10% de los pacientes que cumplen los requisitos se someten a un cribado anual.
Para ayudar a mejorar la eficacia del cribado del cáncer de pulmón y ofrecer evaluaciones individualizadas, Sequist y sus colegas del Centro Oncológico General de Massachusetts se asociaron con investigadores de la Clínica Jameel del MIT.
Utilizando datos del National Lung Screening Trial (NLST), el equipo desarrolló Sybil, un modelo de aprendizaje profundo que analiza las exploraciones y predice el riesgo de cáncer de pulmón para los próximos uno a seis años.
"Sybil requiere solo una LDCT y no depende de datos clínicos o anotaciones del radiólogo", dijo el coautor Florian Fintelmann, MD, del Departamento de Radiología, División de Imágenes Torácicas e Intervención del Hospital General de Massachusetts. "Fue diseñado para ejecutarse en tiempo real en el fondo de una estación de lectura de radiología estándar que permite el apoyo a la toma de decisiones clínicas en el punto de atención".
El equipo validó Sybil utilizando tres conjuntos de datos independientes: un conjunto de exploraciones de más de 6.000 participantes en el NLST que Sybil no había visto previamente; 8.821 LDCT del Hospital General de Massachusetts (MGH); y 12.280 LDCT del Hospital Chang Gung Memorial de Taiwán.
Este último conjunto de escáneres incluía a personas con distintos antecedentes de tabaquismo, incluidos los que nunca habían fumado.
Sybil fue capaz de predecir con exactitud el riesgo de cáncer de pulmón en todos estos conjuntos.
Los investigadores determinaron la precisión de Sybil utilizando el Área Bajo la Curva (AUC), una medida de la capacidad de una prueba para distinguir entre muestras normales y enfermas, en la que 1,0 es una puntuación perfecta.
Sybil predijo el cáncer en el plazo de un año con un AUC de 0,92 para los participantes adicionales del NLST, 0,86 para el conjunto de datos del MGH y 0,94 para el conjunto de datos de Taiwán.
El programa predijo el cáncer de pulmón en un plazo de seis años con AUC de 0,75, 0,81 y 0,80, respectivamente, para los tres conjuntos de datos.
"Sybil puede observar una imagen y predecir el riesgo de que un paciente desarrolle cáncer de pulmón en un plazo de seis años", afirmó la coautora y directora de la facultad de la Clínica Jameel, la doctora Regina Barzilay, miembro del Instituto Koch de Investigación Integral del Cáncer. "Estoy entusiasmada con los esfuerzos traslacionales dirigidos por el equipo del MGH que tienen como objetivo cambiar los resultados para los pacientes que, de otro modo, desarrollarían una enfermedad avanzada".
Los investigadores señalan que se trata de un estudio retrospectivo, por lo que se necesitan estudios prospectivos que hagan un seguimiento de los pacientes en el futuro para validar Sybil.
Además, los participantes estadounidenses en el estudio eran en su inmensa mayoría blancos (92%), por lo que serán necesarios estudios futuros para determinar si Sybil puede predecir con exactitud el cáncer de pulmón entre poblaciones diversas.
Sequist y sus colegas abrirán un ensayo clínico prospectivo para poner a prueba Sybil en el mundo real y comprender cómo complementa el trabajo de los radiólogos.
El código también se ha puesto a disposición del público.
"En nuestro estudio, Sybil fue capaz de detectar patrones de riesgo en la LDCT que no eran visibles para el ojo humano", afirma Sequist. "Nos entusiasma seguir probando este programa para ver si puede añadir información que ayude a los radiólogos en el diagnóstico y nos encamine hacia la personalización del cribado para los pacientes".
"En nuestro estudio, Sybil fue capaz de detectar patrones de riesgo a partir de la LDCT que no eran visibles para el ojo humano", dijo Sequist. "Nos entusiasma seguir probando este programa para ver si puede añadir información que ayude a los radiólogos en el diagnóstico y nos encamine hacia la personalización del cribado para los pacientes".