El panorama de contar con análisis predictivos para evitar padecimientos

En gran medida, la medicina trata sobre anticipar y reducir el riesgo, basándose en los datos actuales e históricos de los pacientes. Los médicos siempre han tenido que tomar decisiones sin absoluta certeza, pero con el avance del análisis predictivo en la atención médica, estas decisiones prometen estar mejor informadas que nunca.¹

¿De qué se trata? El análisis predictivo tiene como objetivo alertar a los médicos y cuidadores de la probabilidad de eventos y resultados antes de que ocurran, ayudándoles a prevenir y curar problemas de salud. Gracias al auge de la inteligencia artificial y el internet de las cosas (IoT por sus siglas en inglés), ahora existen algoritmos que se pueden alimentar con datos históricos y en tiempo real, lo cual genera predicciones significativas.¹ 

Estos algoritmos predictivos se pueden utilizar tanto para apoyar la toma de decisiones clínicas para pacientes individuales como para informar las intervenciones a nivel de cohorte o población. O incluso se pueden aplicar a los desafíos operativos y administrativos de los hospitales.¹

Las unidades de cuidados intensivos (UCI) ya estaban sobrecargadas en varios países del mundo antes de la pandemia de COVID-19, lo cual era resultado del envejecimiento de la población, el aumento del uso de procedimientos quirúrgicos complejos y la escasez de especialistas en cuidados intensivos. Desde el brote del nuevo coronavirus, ha aumentado el número de pacientes que requieren atención en las UCI, y ahora es más necesaria tecnología que ayude a los cuidadores a tomar decisiones rápidamente.¹

Con la adopción de biosensores portátiles, podría ser más fácil que los proveedores de atención médica detecten los primeros signos de deterioro de un paciente. Dichos biosensores se adhieren discretamente al pecho del paciente para recoger, almacenar, medir y transmitir la frecuencia respiratoria y la frecuencia cardíaca cada minuto –los dos principales predictores de deterioro–, así como parámetros contextuales como la postura, el nivel de actividad y la deambulación. Debido a que estos biosensores permiten la supervisión remota sin que los proveedores de atención tengan que realizar controles físicos, están demostrando ser particularmente útiles en la vigilancia clínica.¹

Análisis predictivo en oncología

Un área abundante en datos como la oncología podría parecer un campo natural para el análisis predictivo. Sin embargo, esta tendencia es escasa en oncología, a pesar de la necesidad de mejores predicciones de la esperanza de vida, el uso de cuidados intensivos, los efectos adversos y el riesgo genómico y molecular.²

La radiología es un ejemplo de cómo los modelos de análisis predictivo están empezando a usarse en oncología. Se trata de un campo de análisis de textura que utiliza datos cuantitativos de exploraciones para estudiar las características del tumor. Estas características se pueden utilizar para ayudar a detectar, caracterizar y monitorear tumores sólidos. La detección asistida por computadora tiene aplicaciones para detectar nódulos pulmonares cancerosos –con tomografía computarizada– y lesiones de próstata –en resonancia magnética–, y puede tener aplicaciones en la estadificación automatizada de tumores.²

Además, los algoritmos basados en inteligencia artificial aplicados a las tomografías computarizadas de cáncer de pulmón pueden predecir resultados importantes, como el estado mutacional y el riesgo de una metástasis lejana. Debido a que los sistemas de datos radiológicos pueden informar las decisiones sobre la prestación de atención, la resonancia magnética dinámica se puede usar para detectar respuestas tempranas al tratamiento e informar a los médicos sobre la respuesta del tumor antes de que se usen los predictores estándar de respuesta.²

Los algoritmos de inteligencia artificial también pueden detectar el cáncer de mama metastásico a partir de imágenes de biopsias de ganglios linfáticos centinela con alta discriminación, comparable a las interpretaciones de los patólogos. Estos modelos permiten una capacidad mejorada para escanear grandes secciones de tejido para identificar células cancerosas y puede ayudar a mejorar el flujo de trabajo de los patólogos al permitirles dedicar más tiempo a otras tareas.²

Es probable que los algoritmos avanzados que predicen el riesgo de uso, los costos y los resultados clínicos desempeñen un papel cada vez mayor en la configuración de la atención clínica de los pacientes en oncología. La combinación de conocimientos de la predicción clínica, genética y molecular puede garantizar una nueva era de estratificación integral del riesgo con alta precisión, lo que permitirá una oncología de verdadera precisión.²