Publicado: octubre 26, 2026, 9:00 am
Una analítica de sangre convencional podría contener mucha más información sobre nuestro futuro de la que hasta ahora aprovechamos. Una investigación presentada en el Congreso de la Sociedad Europea de Oncología Médica (ESMO 2026), celebrado en Madrid, apunta a que la inteligencia artificial puede combinar parámetros de análisis rutinarios con el historial médico y determinados hábitos de vida para identificar a personas con mayor probabilidad de desarrollar algunos de los cánceres más frecuentes. No significa que un análisis de sangre pueda diagnosticar hoy un tumor años antes de que aparezca: el objetivo de estos modelos es estimar el riesgo futuro y ayudar a seleccionar qué personas podrían beneficiarse de una vigilancia o unas pruebas de detección más específicas.
Para comprobarlo, los investigadores desarrollaron alrededor de 500 modelos de aprendizaje automático destinados a estimar el riesgo de 20 tipos de cáncer. Su principal banco de pruebas fue enorme: utilizaron información de 463.620 participantes del UK Biobank, una de las mayores bases de datos biomédicas del mundo, seguidos durante aproximadamente 18 años. En ese periodo, 57.055 desarrollaron cáncer. Los algoritmos pudieron buscar patrones entre numerosos datos recogidos previamente y comprobar cuáles estaban relacionados con la aparición posterior de la enfermedad.
Los modelos analizaron información de diferente complejidad: desde antecedentes médicos, hábitos y resultados de análisis sanguíneos hasta datos genéticos y metabolómicos. Y uno de los resultados más llamativos es precisamente que la información más sofisticada no fue necesariamente la que más aportó. Gran parte de la capacidad predictiva procedía de los análisis de sangre rutinarios y del historial clínico, mientras que añadir información genética y metabolómica produjo mejoras relativamente pequeñas. Es una observación relevante porque, si estos modelos acabaran demostrando su utilidad clínica, podrían aprovechar información que los sistemas sanitarios ya recopilan habitualmente.
Los resultados también sugieren que algunas de esas señales aparecen con bastante antelación. Los parámetros de las analíticas continuaban aportando información sobre el riesgo incluso para cánceres diagnosticados más de cinco años después. Eso no significa que el tumor estuviera presente cinco años antes ni que la IA sea capaz de anunciar que una determinada persona va a padecer cáncer. Los algoritmos identifican asociaciones y patrones que permiten clasificar estadísticamente a unas personas con mayor riesgo que otras. De hecho, para reducir la posibilidad de que estuvieran detectando simplemente cánceres todavía no diagnosticados, los investigadores excluyeron en determinados análisis los tumores aparecidos durante el primer año de seguimiento.
Resultados prometedores
La precisión, además, varió considerablemente según el tumor. Los resultados fueron especialmente prometedores para los cánceres de pulmón, esófago e hígado, mientras que el rendimiento fue menor para los de mama, ovario y cuello uterino. Considerando conjuntamente los cánceres cuyo riesgo podía estimarse mediante información clínica rutinaria, el modelo alcanzó un AUROC de 0,83 a 15 años. Esta medida evalúa la capacidad de un modelo para diferenciar entre personas que desarrollarán o no una enfermedad: 0,5 equivaldría aproximadamente al azar y 1 representaría una discriminación perfecta. Un AUROC elevado es prometedor, pero por sí solo no demuestra que una herramienta sea adecuada para implantarla como cribado en población sana.
Hay otro dato que obliga a interpretar los resultados con prudencia. En enfermedades como la leucemia mieloide aguda y el mieloma múltiple, la capacidad de predicción disminuyó cuanto más lejano era el horizonte temporal. Una posible explicación planteada por los investigadores es que las predicciones a corto plazo estén captando alteraciones producidas por un cáncer que ya ha comenzado a desarrollarse, aunque todavía no haya sido diagnosticado. Es una distinción fundamental: detectar indicios de una enfermedad incipiente no es lo mismo que predecir con muchos años de antelación quién desarrollará un tumor.
La idea podría tener, sin embargo, una aplicación sanitaria muy concreta: convertir la IA en una especie de primer filtro o “precribado”. Paul-Henry Koop, investigador del Else Kröner Fresenius Center for Digital Health de la Universidad Técnica de Dresde y autor principal del trabajo presentado en ESMO, considera que para determinados tumores estos modelos podrían convertirse en herramientas de bajo coste basadas en información ya disponible en la práctica clínica. En vez de someter a toda la población a pruebas complejas, un algoritmo podría contribuir a identificar qué personas presentan mayor riesgo y, a partir de ahí, valorar pruebas específicas. El mismo grupo ya ha publicado en Cancer Discovery un modelo de aprendizaje automático para estratificar el riesgo de carcinoma hepatocelular mediante datos clínicos rutinarios, probado con grandes cohortes poblacionales.
