La posibilidad de identificar a una persona con mayor riesgo de desarrollar cáncer años antes de recibir un diagnóstico podría abrir nuevas oportunidades para la prevención y la detección precoz. Y no necesariamente harían falta pruebas extraordinarias para conseguirlo. Los análisis de sangre habituales, los antecedentes médicos y determinados hábitos de vida podrían contener información suficiente para anticipar el riesgo de algunos tumores. Así lo sostiene un estudio internacional presentado en el Congreso de la Sociedad Europea de Oncología Médica (ESMO) de 2026.
La investigación, desarrollada a partir de modelos de aprendizaje automático, plantea la posibilidad de aprovechar datos que ya se recopilan de manera rutinaria en los sistemas sanitarios para identificar a las personas que podrían beneficiarse de un seguimiento más estrecho o de determinadas pruebas de cribado. Para comprobarlo, los investigadores desarrollaron alrededor de 500 modelos destinados a predecir el riesgo de 20 tipos de cáncer. Utilizaron información de 463.620 participantes del Biobanco del Reino Unido, a quienes se realizó un seguimiento durante aproximadamente 18 años. En ese periodo, 57.055 personas desarrollaron algún tipo de cáncer.
Los modelos incorporaron variables como los antecedentes clínicos, los hábitos de vida, los resultados de análisis de sangre y, en algunos casos, información genética y metabolómica. Posteriormente, fueron evaluados con datos de otras poblaciones, incluidos participantes de Escocia y Gales, 42.036 personas del programa estadounidense All of Us y más de tres millones de registros de una base de datos japonesa.
Uno de los hallazgos más relevantes fue que gran parte de la capacidad predictiva procedía de los análisis de sangre habituales y de los antecedentes médicos. De hecho, los resultados analíticos continuaron aportando información útil para estimar el riesgo de cánceres diagnosticados más de cinco años después. Por el contrario, incorporar datos genéticos y metabolómicos produjo mejoras relativamente pequeñas en el rendimiento de los modelos.
Mejores resultados para cáncer de pulmón, esófago e hígado
Los modelos de aprendizaje automático superaron a los métodos estadísticos tradicionales utilizados como referencia en el estudio, aunque su capacidad para anticipar la enfermedad presentó diferencias importantes según el tipo de tumor. Los resultados fueron especialmente prometedores para los cánceres de pulmón, esófago e hígado. En cambio, la capacidad predictiva fue más limitada en los tumores de ovario, mama y cuello uterino.
En enfermedades como la leucemia mieloide aguda y el mieloma múltiple, el rendimiento disminuyó cuando se amplió el horizonte temporal de predicción. Según los investigadores, esto podría indicar que algunas predicciones realizadas a corto plazo están identificando señales de enfermedades que ya se encuentran presentes, aunque todavía no hayan sido diagnosticadas.
«En determinados tipos de cáncer, estos modelos podrían utilizarse como herramientas de precribado de bajo coste, basadas en datos que ya se recogen de forma habitual en la práctica clínica», explica Paul-Henry Koop, autor principal del estudio e investigador del Centro Else Kröner Fresenius de Salud Digital de la Universidad Técnica de Dresde, en Alemania. Y es que, actualmente, los programas de cribado suelen dirigirse a grupos de población definidos mediante criterios generales, como la edad o determinados factores de riesgo. En la Unión Europea, las recomendaciones se han centrado, tradicionalmente, en los cánceres de mama, cuello uterino y colorrectal, aunque también se estudia la ampliación a otros tumores.
El equipo también desarrolló PRE-Screen, una herramienta destinada a facilitar que agentes de inteligencia artificial basados en grandes modelos de lenguaje ejecuten los modelos predictivos de manera sistemática. Según los resultados presentados, los agentes que utilizaron este sistema obtuvieron un rendimiento superior al de aquellos que realizaron las predicciones sin ese apoyo.
Demostrar una mejora en la detección precoz
El autor principal del estudio advierte de que una predicción de alto riesgo no equivale a un diagnóstico de cáncer. Muchas de las personas identificadas por estos modelos nunca desarrollarían la enfermedad, por lo que recomienda que los resultados positivos conduzcan inicialmente a pruebas mínimamente invasivas. Así, el enfoque planteado permitiría avanzar hacia una evaluación más individualizada del riesgo y ayudaría a identificar a quienes podrían beneficiarse de intervenciones preventivas o pruebas adicionales.
Los investigadores insisten en que todavía es pronto para trasladar estos modelos a la práctica clínica de forma generalizada y que el estudio se basa en un análisis retrospectivo de información sanitaria ya existente. Por tanto, todavía no demuestra que utilizar estas predicciones permita diagnosticar antes el cáncer, reducir la mortalidad o mejorar los resultados clínicos de los pacientes. Así, el siguiente paso será realizar estudios prospectivos que permitan determinar si incorporar estas herramientas a los circuitos sanitarios mejora realmente la prevención y el diagnóstico del cáncer.
La investigación abre así una posibilidad relevante para el futuro de la oncología: aprovechar información que ya está disponible en las historias clínicas para identificar riesgos antes de que aparezcan síntomas. Pero su verdadero valor dependerá de que esa capacidad predictiva pueda traducirse en mejores decisiones médicas y, sobre todo, en beneficios demostrables para los pacientes.
