CAPÍTULO 8.
PAPEL DE LA INTELIGENCIA ARTIFICIAL EN LAS NEOPLASIAS MIELOPROLIFERATIVAS CRÓNICAS
Autores: Dr. Adrián Mosquera Orgueira, Hospital Clínico Universitario de Santiago de Compostela
8.1 INTRODUCCIÓN
La inteligencia artificial está revolucionando diversas disciplinas, incluida la medicina, gracias a su capacidad para analizar grandes cantidades de datos, identificar patrones complejos y aprender de experiencias previas. Esto permite mejorar el diagnóstico, pronóstico y tratamiento de enfermedades. Este capítulo ofrece una visión general de la IA, diferenciando entre IA discriminativa y generativa, y sus aplicaciones prácticas en medicina.
8.1.1 ¿Qué es la IA?
La IA es la capacidad de las máquinas para imitar funciones cognitivas humanas, como el aprendizaje y la toma de decisiones. En medicina, la IA se usa para analizar grandes volúmenes de datos médicos, proporcionando nuevas perspectivas sobre enfermedades y tratamientos.
8.1.2 IA discriminativa vs IA generativa
- IA discriminativa: se centra en clasificar y predecir. Aprende a distinguir entre categorías usando ejemplos etiquetados. Ejemplo: Un modelo discriminativo puede predecir si un paciente está sano o enfermo basándose en sus datos clínicos.
- IA generativa: crea nuevos datos que imitan los datos de entrenamiento. Aprende la distribución de los datos y genera ejemplos similares. Ejemplo: En medicina, los modelos generativos pueden crear imágenes de tejidos sintéticos para entrenar a patólogos sin usar datos reales.
8.1.3 Aplicaciones de la IA en medicina
- Diagnóstico asistido: la IA analiza imágenes médicas (radiografías, tomografías, biopsias) para detectar enfermedades como el cáncer con alta precisión. Ejemplo: Algoritmos que detectan nódulos pulmonares en radiografías.
- Estratificación del riesgo: predice la progresión de enfermedades y clasifica a los pacientes en grupos de riesgo usando datos clínicos y genómicos. Ejemplo: modelos que predicen la recurrencia del cáncer después del tratamiento.
- Personalización del tratamiento: analiza datos clínicos y genómicos para recomendar terapias específicas para cada paciente. Ejemplo: selección de terapias óptimas para pacientes con cáncer basado en su perfil genético.
- Optimización de procesos clínicos: automatiza tareas como la programación de citas y gestión de inventarios. Ejemplo: sistemas que optimizan el flujo de trabajo en hospitales.
- Investigación médica: analiza grandes volúmenes de datos para descubrir nuevos objetivos terapéuticos y diseñar ensayos clínicos. Ejemplo: descubrimiento de biomarcadores para enfermedades.
8.1.4 Ventajas e inconvenientes de la IA en medicina
Ventajas:
- Diagnóstico preciso: analiza grandes volúmenes de datos, mejorando la precisión.
- Tratamiento personalizado: asesora sobre terapias específicas para cada paciente.
- Mayor eficiencia: automatiza tareas, permitiendo a los médicos centrarse en los pacientes.
- Aceleración de la investigación: facilita el descubrimiento de nuevos tratamientos.
Inconvenientes:
- Falta de transparencia: los modelos pueden ser difíciles de interpretar.
- Riesgo de sesgo: la calidad depende de los datos de entrenamiento.
- Privacidad y seguridad: es esencial proteger los datos de los pacientes.
- Dependencia tecnológica: fallos en la tecnología pueden afectar la atención médica.
8.1.5 Algoritmos y modelos de aprendizaje automático
En aprendizaje automático, los algoritmos pueden aprender tareas de distintas formas, utilizando diversos enfoques matemáticos para resolver un mismo problema.
8.1.5.1 Tipos de algoritmos de aprendizaje:
- Aprendizaje supervisado: modelos que aprenden con datos etiquetados para clasificar o predecir. Ejemplo: clasificación de muestras o predicción de supervivencia.
- Aprendizaje no supervisado: identifica patrones sin datos etiquetados, como subgrupos en datos moleculares.
- Aprendizaje semi-supervisado: combina datos etiquetados y no etiquetados, mejorando la precisión.
- Aprendizaje por refuerzo: aprende de la experiencia para optimizar decisiones. Ejemplo: Optimización de terapias en base a información sobre secuencias de tratamientos.
8.1.5.2 Tipos de modelos de aprendizaje supervisado
- Árboles de decisión: dividen los datos en ramas para optimizar predicciones.
- Random forests: mejoran los árboles de decisión usando varios modelos para evitar sobreajuste.
- Redes neuronales artificiales: reconocen patrones ajustando conexiones durante el entrenamiento.
- Redes neuronales convolucionales: detectan patrones en imágenes aplicando filtros matemáticos sobre el espacio para procesar imágenes de manera solapada.
Conclusión: la IA transforma la medicina, mejorando el diagnóstico y tratamiento, pero enfrenta desafíos como la transparencia, el sesgo y la seguridad de los datos. Combinada con la experiencia clínica, ofrece una atención más precisa y personalizada.
8.2 IMPACTO DE LA HISTOPATOLOGÍA COMPUTACIONAL Y LA IA EN LA MEDICINA DE PRECISIÓN DEL CÁNCER
La histopatología computacional, combinada con la IA, está revolucionando la medicina de precisión en el ámbito oncológico. Esta tecnología permite el análisis detallado y cuantitativo de muestras histológicas, proporcionando diagnósticos más precisos y personalizados. En este capítulo, exploraremos el panorama general de la histopatología computacional en el cáncer, seguido de un enfoque específico en neoplasias mieloproliferativas.
8.2.1 Histopatología computacional en el cáncer
- Objetivo: Aplicación de IA para analizar imágenes histológicas digitales, superando las evaluaciones manuales tradicionales.
- Ventajas:
a. Aumenta la precisión y consistencia en la detección y cuantificación de características histológicas.
b. Facilita el diagnóstico, estratificación del riesgo y monitorización de tratamientos en oncología. - Capacidades:
a. Integra múltiples fuentes de datos basados en imágenes histológicas, con otros tipos de datos como los moleculares y clínicos.
b. Identifica patrones complejos para mejorar el pronóstico y personalizar tratamientos.
8.2.2 Aplicación en NMP
Ejemplo CIF (Continuous Indexing of Fibrosis):
- Desarrollado por Royston et al., emplea aprendizaje automático para evaluar y clasificar la fibrosis en pacientes con NMPc.
- Cuantifica la fibrosis de forma continua, capturando la heterogeneidad de las muestras, superando métodos semi-cuantitativos.
- Mejora la precisión en la diferenciación entre TE y MF pre-fibrótica.
- Identifica pacientes con riesgo de progresión a MF post-TE con alta precisión.
8.2.3 Promesas y desafíos
Las aplicaciones de la histopatología computacional y la IA en neoplasias mieloproliferativas son prometedoras, ofreciendo evaluaciones más rápidas y objetivas, con el potencial de transformar la práctica clínica. Sin embargo, su implementación requiere superar varios desafíos:
- Infraestructura avanzada: se necesitan sistemas potentes para el almacenamiento y análisis de datos.
- Estándares de análisis: es crucial establecer normas para garantizar la consistencia y reproducibilidad de los resultados.
- Repositorios de imágenes: la colaboración entre hospitales es necesaria para crear repositorios que permitan mejorar continuamente los modelos.
- Privacidad y seguridad: los datos deben manejarse de forma segura y cumplir con las regulaciones.
- Calidad de muestras: la precisión de los resultados depende de la supervisión adecuada de las muestras utilizadas.
8.2.4 Conclusión
La histopatología computacional y la IA están transformando el tratamiento del cáncer, especialmente en las NMP, mejorando el diagnóstico, clasificación y seguimiento de la enfermedad. La medida de su éxito dependerá de la existencia de infraestructuras adecuadas, estándares rigurosos y cooperación internacional para maximizar su impacto en el cuidado de los pacientes.
8.3 EVALUACIÓN DEL RIESGO EN MF: MODELOS TRADICIONALES VERSUS IA
La evaluación del riesgo en pacientes con MF ha avanzado significativamente con el uso de aprendizaje automático. Los modelos tradicionales, como el IPSS y sus versiones dinámicas (DIPSS y DIPSS Plus), han resultado claves para estratificar el riesgo, pero tienen limitaciones al no incluir datos moleculares y citogenéticos, lo que afecta su precisión en algunos casos.
8.3.1 Modelos tradicionales y clínico-moleculares (ver capítulo 4)
8.3.2 Desarrollo del AIPSS-MF
Para superar las limitaciones de los modelos tradicionales, se creó el Artificial Intelligence Prognostic Scoring System for Myelofibrosis (AIPSS-MF). Este modelo de aprendizaje automático, desarrollado con datos de 1.617 pacientes de 60 instituciones españolas, utiliza variables clínicas comunes como edad, sexo, Hb, leucocitos, plaquetas, blastos periféricos, síntomas y leucoeritroblastosis. Usando algoritmos de random forests, el AIPSS-MF ofrece una mayor precisión pronóstica que los modelos tradicionales, como el IPSS, y superó al MYSEC-PM en pacientes con MF secundaria a post-TE/PV.
8.3.3 Integración de datos moleculares
Se mejoró el AIPSS-MF integrando datos de NGS de 581 pacientes, evaluando 20 genes clave como JAK2, CALR, MPL, TP53, EZH2 y SRSF2. Los modelos que consideraban la frecuencia de variantes somáticas (VAF) demostraron mayor precisión. El modelo de NGS para SG, basado en mutaciones en 16 genes, tuvo un índice de concordancia de 0,653, mientras que el de transformación leucémica, con 20 genes, alcanzó 0,702. La combinación del AIPSS-MF con los predictores moleculares (AIPSSmol-MF; https://molecular-aipss-mf.prod.gemfin-env.gemfin.click/) mejoró la precisión pronóstica, alcanzando 0,817 para SG y 0,791 para supervivencia sin transformación leucémica.
8.3.4 Evaluación del riesgo antes del trasplante
Adicionalmente, dentro del marco de la EBMT, se ha desarrollado una herramienta innovadora para la evaluación del riesgo en pacientes antes de ser sometidos a un trasplante alogénico de progenitores hematopoyéticos (alo-TPH). Este modelo permite predecir la idoneidad de un paciente para el alo-TPH durante el proceso de toma de decisiones, tomando como entrada datos demográficos, datos sobre el estado de la patología y datos sobre el tipo de TPH programado (Hernández-Boluda, Mosquera-Orgueira et al, Blood, 2025 https://gemfin.click/ebmt). Este nuevo modelo mejora la precisión en la estratificación del riesgo y, particularmente, identifica de forma más precisa y amplia al grupo de pacientes de alto riesgo.
8.3.5 Implicaciones prácticas
El AIPSS-MF y AIPSSmol-MF facilitan la evaluación del riesgo en entornos clínicos con o sin tecnología avanzada, permitiendo personalizar el tratamiento y evaluar la idoneidad del trasplante alogénico. Además, su capacidad para predecir la transformación leucémica permite intervenciones tempranas. El desarrollo de herramientas online para calcular los scores agiliza su uso en la práctica clínica diaria, mejorando la toma de decisiones. También se ha desarrollado una herramienta dentro del EBMT para evaluar la idoneidad del trasplante en pacientes, crucial ante la disponibilidad de nuevas terapias farmacológicas.
8.3.6 Conclusión
La integración de IA y datos moleculares ha mejorado significativamente la evaluación del riesgo en MF. Aunque los modelos tradicionales son esenciales, tienen limitaciones que el AIPSS-MF y AIPSSmol-MF han superado, permitiendo una estratificación más precisa y personalizada. Su implementación efectiva dependerá del acceso a tecnología avanzada, estándares claros y cooperación internacional.
8.4 IMPACTO DEL PROCESAMIENTO DE LENGUAJE NATURAL EN LA MEDICINA
El procesamiento de lenguaje natural (PLN) en la medicina ha revolucionado varios campos, incluida la medicina, gracias a los modelos de lenguaje de gran escala basados en transformadores, como ChatGPT. Estos sistemas avanzados pueden entender y generar texto, lo que les permite tener múltiples aplicaciones médicas.
8.4.1 Large language models (LLM) y transformadores
Los LLMs, entrenados con grandes cantidades de datos textuales, utilizan algoritmos del tipo transformador para procesar secuencias largas de texto de manera eficiente, mejorando la comprensión contextual.
8.4.2 ChatGPT y sus evoluciones
ChatGPT, desarrollado por OpenAI, es un LLM basado en transformadores. Ha evolucionado a lo largo de varias versiones, mejorando su capacidad para generar respuestas coherentes y relevantes en múltiples idiomas y contextos, incluyendo la medicina.
8.4.3 Limitaciones y consideraciones en el uso médico
- Privacidad: el manejo de datos médicos requiere altos estándares de seguridad y cumplimiento con normativas como HIPAA y GDPR.
- Sesgos: los LLMs pueden heredar sesgos de sus datos de entrenamiento, afectando la equidad en las decisiones médicas.
- Errores: los LLMs pueden cometer errores, por lo que sus recomendaciones deben ser supervisadas por profesionales.
8.4.4 Aplicaciones en medicina
Los LLMs tienen aplicaciones desde el soporte a la toma de decisiones hasta la gestión de ensayos clínicos:
- Soporte a la toma de decisiones: integración en sistemas médicos para proporcionar información actualizada y ayudar a los médicos a seleccionar tratamientos óptimos.
- Gestión de ensayos clínicos: filtran a los pacientes y optimizan el reclutamiento para ensayos clínicos o terapias especializadas.
Ejemplo práctico: en www.codigorojo.tech, expertos en hematología han desarrollado sistemas de soporte para el manejo de mieloma y linfoma, ofreciendo acceso rápido a información médica actualizada y relevante, mejorando la gestión de datos clínicos.
8.4.5 Conclusión
El procesamiento de lenguaje natural, con modelos como ChatGPT, puede revolucionar la medicina en la toma de decisiones y gestión de ensayos clínicos. Sin embargo, es crucial enfrentar desafíos como la privacidad, los sesgos y los errores para garantizar su uso ético. Ejemplos como www.codigorojo.tech demuestran su potencial para mejorar la eficiencia y calidad en la atención médica.
8.5 REFLEXIONES FINALES: FUTURO DE LA IA EN NMP
El uso de la IA en el manejo de NMP ofrece grandes oportunidades, pero también desafíos. Es clave estar atentos a desarrollos que mejoren el diagnóstico, tratamiento y seguimiento de estas enfermedades.
8.5.1 Repositorios de modelos de IA
Desarrollar repositorios de IA para análisis de imágenes médicas permitirá mejorar el diagnóstico y predecir la progresión en NMP, requiriendo colaboración entre instituciones para su actualización continua.
8.5.2 Sistemas de soporte a la toma de decisiones
La IA, basada en estudios clínicos y guías, puede optimizar la selección de tratamientos, reduciendo errores y mejorando los resultados clínicos.
8.5.3 Reclutamiento en ensayos clínicos mediante IA
La IA generativa puede mejorar el reclutamiento en enfermedades raras al identificar pacientes candidatos, acelerando y diversificando los ensayos.
8.5.4 Biomarcadores digitales y wearables
La IA, junto con dispositivos portátiles, puede generar biomarcadores en tiempo real, permitiendo ajustes terapéuticos personalizados y mejorando la calidad de vida del paciente.
8.5.5 Cohortes y datos sintéticos
El uso de cohortes y datos sintéticos puede ser valioso en patologías raras, permitiendo la generación de datos para ensayos clínicos.
- Pros: genera más datos, simula tratamientos, reduce costos y tiempo.
- Contras: puede no reflejar la complejidad real y no está aceptado por reguladores.
8.5.6 Perspectivas futuras
Capacitar a los médicos, crear marcos éticos y promover la colaboración internacional serán claves para maximizar el potencial de la IA en NMP, mejorando los resultados para los pacientes.
8.6. BIBLIOGRAFÍA
- Brat GA, Mandel JC, McDermott MBA. Do We Need Data Standards in the Era of Large Language Models? NEJM AI. 2024;1(8). Publish 2024 Jul 19. doi:10.1056/AIe2400548.
- Cheplygina V, de Bruijne M, Pluim JPW. Not-so-supervised: A survey of semi-supervised, multi-instance, and transfer learning in medical image analysis. Med Image Anal. 2019;54:280-296. doi:10.1016/j.media.2019.03.009.
- Daniore P, Nittas V, Haag C, Bernard J, Gonzenbach R, von Wyl V. From wearable sensor data to digital biomarker development: ten lessons learned and a framework proposal. NPJ Digit Med. 2024;7(1):161. Published 2024 Jun 18. doi:10.1038/s41746-024-01151-3.
- Fralick M, Sacks CA, Muller D, et al. Large Language Models. NEJM Evid. 2023;2(8):EVIDstat2300128. doi:10.1056/EVIDstat2300128.
- Fu Y, Jung AW, Torne RV, et al. Pan-cancer computational histopathology reveals mutations, tumor composition and prognosis. Nat Cancer. 2020;1(8):800-810. doi:10.1038/s43018-020-0085-8.
- Giuffrè M, Shung DL. Harnessing the power of synthetic data in healthcare: innovation, application, and privacy. NPJ Digit Med. 2023;6(1):186. Published 2023 Oct 9. doi:10.1038/s41746-023-00927-3.
- Goldberg JM, Amin NP, Zachariah KA, Bhatt AB. The Introduction of AI Into Decentralized Clinical Trials: Preparing for a Paradigm Shift. JACC Adv. 2024;3(8):101094. Published 2024 Jul 5. doi:10.1016/j.jacadv.2024.101094.
- Hernandez-Boluda JC, Mosquera Orgueira A, Gras L, et al. Use of machine learning techniques to predict poor survival after hematopoietic cell transplantation for myelofibrosis. Blood. 2025 Mar 27:blood.2024027287. doi: 10.1182/blood.2024027287
- Mosquera-Orgueira A, Arellano-Rodrigo E, Garrote M, et al. Integrating AIPSS-MF and molecular predictors: A comparative analysis of prognostic models for myelofibrosis. Hemasphere. 2024;8(3):e60. Published 2024 Mar 20. doi:10.1002/hem3.60.
- Mosquera-Orgueira A, Pérez-Encinas M, Hernández-Sánchez A, et al. Machine Learning Improves Risk Stratification in Myelofibrosis: An Analysis of the Spanish Registry of Myelofibrosis. Hemasphere. 2022;7(1):e818. Published 2022 Dec 20. doi:10.1097/ HS9.0000000000000818.
- Mosquera-Orgueira A, Pérez-Míguez C, Crucitti D, et al. Código Rojo. Disponible en: https://codigorojo.tech/. Accedido el 5 de agosto de 2024.
- Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl J Med. 2019;380(14):1347-1358. doi:10.1056/NEJMra1814259.
- Russell S, Norvig P. Artificial intelligence: a modern approach. Pearson. 2021.
- Ryou H, Sirinukunwattana K, Aberdeen A, et al. Continuous Indexing of Fibrosis (CIF): improving the assessment and classification of MPN patients [published correction appears in Leukemia. 2023 Feb;37(2):503. doi: 10.1038/s41375-023-01807-1.]. Leukemia. 2023;37(2):348-358. doi:10.1038/s41375-022-01773-0.
- Sidey-Gibbons JAM, Sidey-Gibbons CJ. Machine learning in medicine: a practical introduction. BMC Med Res Methodol. 2019;19(1):64. Published 2019 Mar 19. doi:10.1186/ s12874-019-0681-4.
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7.