Herramienta basada en inteligencia artificial busca optimizar el uso de resonancias magnéticas en el diagnóstico del cáncer de próstata

La resonancia magnética (RM) de próstata se ha convertido en una herramienta clave para detectar el cáncer prostático, ya que permite identificar lesiones sospechosas y reducir biopsias innecesarias. Sin embargo, la alta demanda ha generado saturación en los servicios de imagen y retrasos significativos en el diagnóstico, especialmente en zonas con recursos limitados o rurales.

Con el objetivo de enfrentar esta problemática, investigadores de NYU Langone Health desarrollaron ProMT-ML, un modelo de aprendizaje automático diseñado para predecir de forma precisa qué pacientes realmente necesitan una RM de próstata y quiénes podrían retrasarla o incluso prescindir de ella.

¿Cómo funciona?

El modelo utiliza información clínica rutinaria como el antígeno prostático específico (PSA), volumen prostático, índice de masa corporal (IMC), presión arterial y antecedentes de resonancia magnética, para calcular el riesgo de que un paciente tenga una imagen anormal (clasificada como PI-RADS 3 o mayor). Esta evaluación ayuda a los médicos a priorizar estudios de imagen en pacientes con mayor riesgo de enfermedad significativa.

Resultados del estudio

Durante la validación del modelo, presentada recientemente en el Congreso Anual de la Asociación Americana de Urología, ProMT-ML mostró un área bajo la curva (AUC) de 0.750, con una sensibilidad del 86% y especificidad del 42%. Además, alcanzó un valor predictivo positivo del 54% y un valor predictivo negativo del 79%.

El equipo desarrolló dos versiones del modelo: una que incluye el volumen prostático y otra que no, ya que esta información no siempre está disponible en la consulta inicial. Ambas versiones superaron ampliamente al PSA como herramienta única de predicción.

Además, los investigadores analizaron casos en los que el modelo predijo una RM normal y luego revisaron los resultados de biopsias. Aproximadamente el 90% de esos pacientes presentaban enfermedades benignas o clínicamente insignificantes, lo que sugiere que el modelo tiene una alta precisión para descartar cáncer significativo.

Potencial para reducir desigualdades

Una de las principales ventajas de ProMT-ML es que utiliza datos fácilmente accesibles, lo que lo convierte en una herramienta ideal para consultorios urológicos con acceso limitado a tecnología avanzada. Con solo unos cuantos datos clínicos básicos, se puede estimar el riesgo individual de cada paciente y tomar decisiones más informadas, evitando estudios innecesarios o retrasos críticos.

Próximos pasos

Aunque el modelo ha sido validado internamente con datos del sistema de salud de NYU, el siguiente paso será probar su eficacia en poblaciones más diversas. Los investigadores buscan aplicarlo en otros entornos clínicos para evaluar su rendimiento de manera prospectiva y ajustar posibles errores.

Medicina de precisión al alcance

“Estamos en una era emocionante donde la medicina personalizada y la inteligencia artificial comienzan a integrarse en la práctica clínica”, afirma el Dr. Madhur Nayan, autor principal del estudio y profesor de urología en NYU. “Modelos como ProMT-ML representan el futuro del diagnóstico más eficiente y equitativo en urología”.

Fuente

1. Persily JB, Chandarana H, Tong A, et al. Development of a machine learning model to triage the use of prostate MRI (PROMT-ML). Journal of Urology. 2025;213(5S):e141. https://doi.org/10.1097/01.JU.0001109752.81014.18.02