El punto fuerte de la inteligencia artificial (IA) en la oncología de precisión es que puede liberar el valor de los datos del mundo real disponibles de forma rutinaria de millones de pacientes con cáncer. En los últimos años, la IA ha permitido a los oncólogos aprovechar grandes conjuntos de datos procedentes de múltiples fuentes de información, como la secuenciación de nueva generación y las imágenes médicas, lo que ha contribuido a mejorar los perfiles tumorales y a proporcionar una comprensión más completa del cáncer.
A pesar de tener el potencial de transformar la oncología de precisión, el campo de la IA todavía está en sus inicios y aún existen barreras para la implementación de herramientas de IA en la práctica clínica.
Los modelos de lenguaje amplio (LLM, por sus siglas en inglés) son un tipo de IA que puede procesar grandes y diversos volúmenes de texto con competencia de nivel humano para tratar la cantidad de datos específicos de pacientes en oncología, que crece rápidamente, y luego generar texto de resultados a partir de la información procesada. Los datos rutinarios, que están disponibles para todos los pacientes, como informes médicos, resultados patológicos e imágenes, son los mejores datos que la IA puede utilizar para extraer pruebas clínicamente significativas, mientras que los datos experimentales tendrían beneficios muy limitados, ya que su obtención sería demasiado costosa y sólo estarían disponibles para individuos seleccionados.
Los LLM pueden capturar datos no estructurados y utilizarlos para proporcionar información útil para la práctica clínica, como orientar durante la cirugía, ayudar al diagnóstico, predecir la respuesta al tratamiento, recomendar estrategias de tratamiento, predecir complicaciones relacionadas con el tratamiento y proporcionar a los médicos conocimientos médicos. Sin embargo, la calidad de una herramienta de IA depende de la calidad de sus datos de entrenamiento, y los sesgos raciales, étnicos y de género pueden ser un problema. Si hay sesgos en los datos de entrenamiento, los sistemas de IA aprenderán y reproducirán los patrones sesgados, lo que dará lugar a resultados injustos o discriminatorios.
La precisión, fiabilidad y relevancia clínica de los modelos de IA son características clave que pueden impulsar su adopción en la práctica oncológica, pero estas cualidades son a veces difíciles de demostrar. La mayoría de las herramientas de IA que aparecen en las publicaciones académicas, de hecho, aún no son productos sanitarios aprobados y deben someterse a la aprobación de acuerdo con el Reglamento de Productos Sanitarios y también estar respaldadas por pruebas clínicas para garantizar que son eficaces y que sus resultados son correctos.
Recientemente, varias herramientas de IA para oncología, en su mayoría para el análisis de imágenes radiológicas y patológicas, fueron aprobadas en EE. UU. y la Unión Europea (UE), y muchas otras se encuentran actualmente en fase de evaluación. Sin embargo, la aprobación reglamentaria y la capacidad de los marcos reguladores pueden ser un paso limitante para la adopción de terapias personalizadas basadas en IA. Por ejemplo, aunque las herramientas sanitarias basadas en la IA están reguladas por la legislación sobre productos sanitarios, esta o las leyes que rigen las combinaciones de medicamentos y productos sanitarios son inadecuadas para las mayores complejidades de las terapias personalizadas basadas en la IA. Existe una clara necesidad de adaptar los procesos reguladores y las leyes que siguen los organismos reguladores para evaluar las terapias personalizadas basadas en IA de forma adecuada y a un ritmo paralelo al desarrollo de nuevas herramientas.
Los sistemas actuales de IA en la atención sanitaria están diseñados para un único propósito, como el análisis de imágenes de rayos X o datos de laboratorio, debido a las limitaciones técnicas y normativas de los dispositivos médicos. Las herramientas de IA están evolucionando para que ahora podamos integrar datos complementarios como entrada simultánea, como imágenes con texto, o imágenes combinadas con datos genómicos, lo que refleja mejor los procesos de toma de decisiones empleados por los oncólogos, que consideran múltiples piezas de información y datos correspondientes antes de prescribir tratamientos. Por lo tanto, debemos empezar a pensar en cómo implementar herramientas de IA polivalentes que procesen información de más de una fuente en el diseño de ensayos clínicos para su validación.
Una vez que los datos de los pacientes estén en el formato adecuado para la validación clínica de las herramientas de IA, esta tiene el potencial de utilizarse de forma rutinaria y mejorar el tratamiento de nuestros pacientes. Sin embargo, la percepción y la confianza de los pacientes y los profesionales sanitarios en las herramientas de IA son esenciales para trasladar los avances de la investigación a la práctica clínica. En general, la transición a la ayuda de la IA se considera positiva en la comunidad oncológica, pero existen barreras que aún deben superarse en algunas personas, como el escepticismo de la IA entre los profesionales sanitarios con un conocimiento limitado de la tecnología, y la preocupación por la ciberseguridad, la precisión y las decisiones tomadas sin compasión humana entre los pacientes.
Las sociedades científicas, como la Sociedad Europea de Oncología Médica (ESMO, por sus siglas en inglés), pueden actuar como motor principal para fomentar nuevos avances en este campo, impulsando así la confianza de los profesionales de la oncología a la hora de invertir en la investigación de la IA y sus aplicaciones. En noviembre de 2024, se celebrará en Berlín la primera edición del Congreso de Inteligencia Artificial y Oncología Digital de la ESMO, que representará una oportunidad única para que las partes interesadas en oncología debatan aspectos relevantes como la forma de validar las herramientas de IA, el diseño de ensayos clínicos, cuáles deben ser las normas y cómo deben utilizarse los resultados.
