Modelos de predicción clínica basados en aprendizaje automático no logran generalizar en datos de ensayos clínicos

Según un nuevo estudio, los modelos de predicción clínica para resultados de tratamiento de esquizofrenia, que funcionan bien en el seno de los ensayos en los que fueron desarrollados, no logran generalizarse a futuros ensayos. "Los hallazgos no solo resaltan la necesidad de estándares metodológicos más rigurosos para enfoques de aprendizaje automático, sino que también requieren una reevaluación de los desafíos prácticos a los que se enfrenta la medicina de precisión", escribe Frederike Petzschner en un artículo de Perspective relacionado. A pesar de recibir los mismos tratamientos para las mismas dolencias, algunos pacientes mejoran mientras que otros no muestran mejoría. Los enfoques de medicina de precisión buscan abordar este problema proporcionando tratamientos personalizados para cada paciente. Se considera que los modelos de aprendizaje automático, que pueden analizar datos grandes y complejos para identificar marcadores genéticos, socioeconómicos o biológicos que predicen el tratamiento adecuado para un individuo, son herramientas prometedoras para mejorar la medicina de precisión y los resultados médicos. Sin embargo, estos modelos a menudo solo se validan en función de su éxito en conjuntos de datos o contextos clínicos para los cuales el resultado, como la respuesta a un tratamiento dado, ya se conoce. Aunque es crucial, no se comprende bien cómo funcionan estos modelos en datos imprevistos o muestras de pacientes independientes. Para abordar esta cuestión, Adam Chekroud y sus colegas evaluaron en qué medida se generalizaba un modelo de aprendizaje automático en varios ensayos clínicos independientes de medicamentos antipsicóticos para la esquizofrenia. Si bien los modelos predijeron los resultados de los pacientes con gran precisión dentro del conjunto de datos en el que fueron desarrollados, su rendimiento cayó a niveles no mejores que los niveles aleatorios cuando se aplicaron a datos de ensayos clínicos independientes. Incluso cuando se agregaron datos de múltiples ensayos clínicos para entrenar el modelo, sus predicciones no lograron generalizarse a un nuevo ensayo clínico independiente. Estos hallazgos sugieren que las aproximaciones de un modelo basadas en un solo conjunto de datos proporcionan una visión muy limitada de su rendimiento futuro. Los autores destacan tres razones clave por las cuales esto es probable. "El campo en su conjunto (...) espera que los enfoques de aprendizaje automático puedan mejorar eventualmente la asignación de tratamientos en medicina; sin embargo, debemos ser escépticos a priori ante cualquier hallazgo de modelo predictivo que carezca de una muestra independiente para su validación", escriben Chekroud et al.