Un nuevo algoritmo de aprendizaje automático basado en mamografías puede estimar el riesgo de cáncer de mama en mujeres con mayor precisión que los modelos de riesgo actuales, según un estudio de Adam Yala y sus colegas. El algoritmo, que se probó con conjuntos de datos de tres grandes hospitales situados en diferentes puntos del mundo, podría ayudar a los médicos a diseñar pautas para la detección del cáncer de mama capaces de satisfacer la necesidad de detección temprana y, al mismo tiempo, reducir los falsos positivos, los costes de las pruebas y otros problemas asociados con un exceso de pruebas de detección. Las mamografías son el método más común para detectar el cáncer de mama: cada año se realizan más de 39 millones de procedimientos tan solo en EE. UU. Sin embargo, su adopción generalizada no ha estado libre de controversias. Los críticos acusan de que los agresivos exámenes de detección tienen como resultado costes médicos insostenibles, mayor ansiedad en las pacientes y una tasa significativa de falsos positivos. Por otro lado, los partidarios de las pruebas frecuentes argumentan que es necesario detectar los tumores lo antes posible. Este desacuerdo ha conducido a pautas inconsistentes sobre cuándo debe comenzar la detección y con qué frecuencia se debe realizar. Yala et al. teorizan que una mejora en precisión de los modelos de riesgo que proporcionan información para el desarrollo de directrices podría conducir a mejores recomendaciones. Los autores diseñaron y entrenaron un nuevo modelo llamado Mirai que integra datos de mamografías para producir evaluaciones consistentes de riesgo de cáncer de mama en múltiples puntos temporales, por ejemplo, dentro de un año o de 5 años. Cuando se probó de forma independiente con datos de 106 615 pacientes de tres hospitales en EE. UU., Suecia y Taiwán, Mirai identificó al 41,5 % de las pacientes que desarrollarían cáncer en 5 años. Por el contrario, los enfoques actuales, como los modelos Tyrer-Cuzick y Hybrid Deep Learning, tan solo identificaron al 22,9 % y el 36,1 % de las pacientes, respectivamente. Mirai también fue eficaz en diferentes razas y etnias, lo que respalda su potencial para proporcionar información para desarrollar las pautas de detección para poblaciones grandes y diversas.
###
Journal
Science Translational Medicine