En la actualidad no existen herramientas de cribado poblacional del cáncer de páncreas. Las personas con antecedentes familiares y determinadas mutaciones genéticas que lo predisponen se someten a cribados específicos. Pero estos pueden pasar por alto otros casos que quedan fuera de esas categorías.

Investigadores de la Universidad de Copenhagen en Dinamarca probaron distintas versiones de los modelos de IA para determinar su capacidad de detectar a personas con un riesgo elevado de desarrollar la enfermedad en distintos plazos: seis meses, un año, dos años y tres años.

El algoritmo se entrenó con dos conjuntos de datos separados que sumaban un total de 9 millones de registros de pacientes de Dinamarca y Estados Unidos. El modelo buscó signos reveladores a partir de los datos contenidos y a partir de combinaciones de códigos de enfermedad y del momento en que se producen, pudo predecir qué pacientes tienen más probabilidades de desarrollar cáncer de páncreas en el futuro. De esos pacientes, 23.985 desarrollaron cáncer de páncreas a lo largo del tiempo. Durante el entrenamiento, el algoritmo discernió patrones indicativos del riesgo basándose en las trayectorias de la enfermedad, es decir, si se presentaban determinadas afecciones que se producían en una secuencia determinada a lo largo del tiempo.

En general, cada una de las versiones del algoritmo de IA fue mucho más precisa a la hora de predecir quién desarrollaría la patología que las estimaciones actuales de incidencia, definidas como la frecuencia con la que se desarrolla una enfermedad en una población durante un periodo de tiempo específico. 

Por ejemplo, diagnósticos como cálculos biliares, anemia, diabetes de tipo 2 y otros problemas gastrointestinales auguraban un mayor riesgo de cáncer de páncreas en los tres años siguientes a la evaluación. Y lo que es menos sorprendente, la inflamación del páncreas era un factor muy predictivo de un futuro cáncer de páncreas en un plazo aún más breve, de dos años.

Según los investigadores, esto subraya dos puntos importantes: En primer lugar, garantizar que los modelos de IA se entrenen con datos ricos y de alta calidad. En segundo lugar, la necesidad de acceder a grandes conjuntos de datos representativos de historiales clínicos agregados a escala nacional e internacional. A falta de tales modelos válidos a escala mundial, los modelos de IA deben entrenarse con datos sanitarios locales para garantizar que su entrenamiento refleje la idiosincrasia de las poblaciones locales.

Los hallazgos sugieren que el cribado poblacional basado en IA podría ser útil para detectar a las personas con mayor riesgo de padecer la enfermedad y acelerar el diagnóstico de una dolencia que con demasiada frecuencia se detecta en fases avanzadas, cuando el tratamiento es menos eficaz y los resultados son desalentadores.