Un modelo de inteligencia artificial desarrollado en la Clínica Mayo puede detectar el riesgo de cáncer de páncreas años antes de que aparezcan los síntomas, analizando patrones sutiles en registros médicos rutinarios. El descubrimiento representa un avance significativo en la detección temprana de una enfermedad que históricamente ha eludido el diagnóstico oportuno.
La enfermedad pancreática es raramente diagnosticada a tiempo, con graves consecuencias para los pacientes. Según la Sociedad Americana del Cáncer, se esperan alrededor de 67.000 nuevos casos en 2026, pero aproximadamente 52.000 muertes ese mismo año, lo que significa que representa el 3% de nuevos diagnósticos pero el 8% de todas las muertes por cáncer.
El desafío de detectar una enfermedad silenciosa
La mortalidad elevada refleja un problema fundamental: solo uno de cada cinco pacientes recibe diagnóstico en estadios curables. Cornelius Thiels, coautor del estudio y cirujano oncológico en la Clínica Mayo de Rochester, Minnesota, informó al Earth que el cáncer pancreático es curable solo cuando se detecta temprano, pero para la mayoría de los pacientes la sobrevida se mide en meses, no en años, porque la enfermedad permanece oculta hasta haber avanzado irremediablemente.
Realizar pruebas de detección masiva en toda la población sería prohibitivamente costoso e impracticable. En su lugar, los investigadores buscaron identificar a los pacientes con mayor riesgo, aprovechando un hallazgo crucial: la formación del tumor pancreático toma entre cinco y siete años, dejando una ventana para la intervención antes de que aparezcan síntomas clínicos visibles.
Cómo el modelo aprendió a predecir
El equipo entrenó el sistema con historiales de salud longitudinales del sistema de la Clínica Mayo, capturando el cuadro completo del registro electrónico de cada paciente a lo largo de muchos años. El modelo incorporó resultados de pruebas de laboratorio rutinarias, recopiladas durante una década o más en promedio, buscando pistas débiles que sugieran problemas antes de que cualquier síntoma sea evidente.
El conjunto de datos fue substancial: incluía 6.066 personas diagnosticadas y 33.396 controles. Cada participante contaba con entre 7.5 y 19 años de historial clínico. Aunque ningún resultado individual de laboratorio podría parecer alarmante por sí solo, el modelo detecta patrones que emergen a través del tiempo, identificando señales que los médicos o pacientes típicamente no reconocen hasta que es demasiado tarde.
Resultados que abren nuevas posibilidades
Al probar su capacidad de predicción tres años antes del diagnóstico. Los investigadores utilizaron una medida estándar llamada AUROC que evalúa qué tan bien un modelo distingue entre pacientes de alto y bajo riesgo. El modelo logró una puntuación de 0.853, donde 1.0 es perfecto y 0.5 indica resultados al azar.
El sistema también mostró precisión al identificar verdaderos pacientes en riesgo sin generar demasiadas falsas alarmas, con un área bajo la curva de precisión-recall de 0.712. Esto resulta particularmente importante en enfermedades raras, donde las falsas alarmas pueden fácilmente ocultar los casos reales.
La calibración del modelo alcanzó 1.08, confirmando que el riesgo predicho coincide estrechamente con lo que realmente ocurre en la población estudiada. Chris Varghese, científico de datos quirúrgicos en la Clínica Mayo de Rochester, informó al Earth que cuando el modelo predice un riesgo superior al 50%, existe una probabilidad del 88% de que la enfermedad pancreática esté realmente presente en el plazo de un año, ofreciendo a los clínicos una herramienta confiable para la intervención temprana.
El equipo presentará estos hallazgos en el Congreso Clínico del American College of Surgeons 2026, que se celebra en Washington del 26 al 29 de septiembre, donde miles de cirujanos se reúnen para avanzar la calidad quirúrgica, seguridad del paciente y acceso a la atención. Varghese destacó que el modelo fue construido para ser lo más generalizable, escalable y fácil de implementar posible, utilizando datos registrados universalmente en sistemas hospitalarios mundiales.
