En los últimos años, la inteligencia artificial ha adquirido un papel relevante en la medicina predictiva, particularmente en el análisis de enfermedades complejas como el cáncer. En este contexto, un estudio publicado en Cancer Discovery y difundido por la American Association for Cancer Research (AACR) presenta un modelo de aprendizaje automático capaz de predecir con alta precisión el riesgo de carcinoma hepatocelular (CHC), el tipo más común de cáncer de hígado en adultos, utilizando datos clínicos rutinarios (AACR, 2026).
Este avance representa una mejora frente a los enfoques tradicionales, ya que permite identificar con mayor precisión a los pacientes en riesgo. De acuerdo con los resultados, el algoritmo detecta más casos verdaderos y reduce los falsos positivos en comparación con herramientas clínicas existentes; asimismo, el estudio demuestra que el uso de datos clínicos accesibles es suficiente para alcanzar un alto rendimiento predictivo (AACR, 2026).
En este sentido, esta herramienta se perfila como una alternativa relevante para fortalecer las estrategias de detección temprana, especialmente en escenarios donde los métodos actuales presentan limitaciones (Grapa et al., 2025).
Desafíos en el diagnóstico precoz del carcinoma hepatocelular (CHC)
El carcinoma hepatocelular constituye el tipo más frecuente de cáncer de hígado en adultos y suele desarrollarse en personas con enfermedad hepática crónica, asociada principalmente a hepatitis o cirrosis; no obstante, una de las principales dificultades en su manejo radica en que, durante sus etapas iniciales, suele ser asintomático, lo que retrasa su diagnóstico (Grapa et al., 2025).
Como consecuencia, una proporción significativa de pacientes es diagnosticada en fases avanzadas, cuando las opciones terapéuticas son más limitadas. En la práctica clínica, las estrategias actuales de detección se enfocan principalmente en individuos con enfermedad hepática conocida, lo que restringe el alcance de los programas de vigilancia (Grapa et al., 2025).
Sin embargo, una proporción relevante de casos puede presentarse en personas sin diagnóstico previo de enfermedad hepática, lo que refuerza la necesidad de ampliar los criterios de evaluación del riesgo (Grapa et al., 2025).
Modelos predictivos en hepatología: superando las brechas de la evaluación clínica
Aunque la enfermedad hepática subyacente es el principal factor de riesgo para el desarrollo de CHC, existen otros factores que influyen en su aparición, como el sexo masculino, el tabaquismo y el consumo elevado de alcohol. En consecuencia, la interacción de múltiples variables dificulta la identificación precisa de individuos en riesgo mediante métodos tradicionales (Grapa et al., 2025).
En este contexto, herramientas clínicas como FIB-4, APRI, NFS y la puntuación aMAP presentan limitaciones, ya que están diseñadas principalmente para poblaciones con enfermedad hepática conocida. Esto puede derivar en la omisión de casos que no cumplen con dichos criterios (AACR, 2026).
Por ello, el desarrollo de modelos basados en inteligencia artificial surge como una estrategia que permite integrar múltiples variables clínicas y mejorar la identificación de pacientes en riesgo (Grapa et al., 2025).
Entrenamiento y precisión del algoritmo en poblaciones clínicas diversas
El modelo fue desarrollado utilizando datos del UK Biobank, una base que reúne información de salud de más de 500 mil individuos; a partir de este grupo de estudio, se identificaron 538 casos de carcinoma hepatocelular, lo que permitió entrenar el algoritmo con un volumen amplio de datos clínicos.
El proceso incluyó una división del conjunto de datos: se utilizó el 80% para el entrenamiento y el 20% para la validación interna. Este enfoque permitió evaluar su desempeño inicial en condiciones controladas antes de su aplicación en otros contextos (Grapa et al., 2025).
En cuanto a su construcción, el modelo fue entrenado con el 80% de los datos disponibles y validado internamente con el 20% restante, lo que permitió evaluar su desempeño inicial en condiciones controladas (AACR, 2026).
Posteriormente, el modelo fue evaluado mediante una validación externa utilizando el programa All of Us en Estados Unidos, que incluye datos de más de 400,000 personas y una población más diversa; en esta cohorte, se identificaron 445 casos de carcinoma hepatocelular, lo que permitió analizar la capacidad del modelo para generalizar sus resultados en distintos contextos demográficos. Este paso es clave para determinar su aplicabilidad más allá de la población original del estudio (AACR, 2026).
Cómo los datos clínicos de rutina optimizan la predicción del riesgo de cáncer
El sistema se basa en un enfoque de random forest, un tipo de algoritmo que combina múltiples árboles de decisión para generar predicciones más robustas. Este método permite analizar simultáneamente diversas variables clínicas y detectar patrones complejos en los datos; gracias a esta estructura, el modelo puede mejorar su capacidad de predicción al integrar información proveniente de distintas fuentes clínicas disponibles (AACR, 2026).
La versión más efectiva, denominada Modelo C, integró datos demográficos, registros clínicos electrónicos y resultados de pruebas de laboratorio rutinarias. Esta combinación permitió alcanzar un alto nivel de precisión en la predicción del riesgo de carcinoma hepatocelular.
El rendimiento se evaluó mediante el área bajo la curva ROC (AUROC), una métrica que mide la capacidad del modelo para distinguir entre pacientes con y sin la enfermedad, alcanzando un valor de 0.88 (Grapa et al., 2025).
De manera relevante, la incorporación de datos más complejos, como la información genómica, no mejoró significativamente el desempeño del modelo. Este hallazgo indica que los datos clínicos rutinarios, que son más accesibles en la práctica médica, pueden ser suficientes para realizar predicciones precisas.
En consecuencia, el uso de este tipo de información facilita la implementación del modelo sin necesidad de pruebas adicionales más costosas (AACR, 2026).
Superioridad de la inteligencia artificial sobre los índices de fibrosis convencionales
El modelo fue comparado con herramientas clínicas ampliamente utilizadas, como FIB-4, APRI, NFS y la puntuación aMAP, las cuales se emplean para evaluar el riesgo hepático; los resultados mostraron que el modelo basado en inteligencia artificial logró un mejor desempeño global, al identificar más casos reales de carcinoma hepatocelular y reducir los falsos positivos. Esto sugiere una mayor precisión en la identificación de pacientes en riesgo (AACR, 2026).
Con el objetivo de facilitar su uso en la práctica clínica, el modelo fue simplificado a un conjunto de 15 variables clínicas rutinarias; a pesar de esta reducción, mantuvo un rendimiento superior en comparación con las herramientas tradicionales. Este ajuste permite su integración en entornos médicos sin requerir infraestructura compleja, favoreciendo su aplicación en distintos niveles de atención (AACR, 2026).
Potencial clínico de la IA para transformar el pronóstico del cáncer de hígado
Los hallazgos sugieren que esta herramienta podría utilizarse como un mecanismo de tamizado en atención primaria, permitiendo identificar a pacientes que requieren evaluación hepatológica adicional (AACR, 2026). Este enfoque resulta especialmente relevante si se considera que el carcinoma hepatocelular es más tratable cuando se detecta en etapas tempranas. Por lo tanto, la identificación oportuna de individuos en riesgo podría favorecer su inclusión en programas de vigilancia (Grapa et al., 2025).
Además, el modelo demostró un rendimiento consistente en poblaciones diversas, lo que respalda su aplicabilidad en distintos sistemas de salud. Esta capacidad de adaptación sugiere que la herramienta puede integrarse en contextos clínicos con características demográficas variadas.
En consecuencia, su implementación podría ampliarse más allá de entornos específicos, manteniendo su precisión predictiva. Esto refuerza su potencial como apoyo en la toma de decisiones médicas (AACR, 2026).
Próximos pasos para la implementación real del modelo en sistemas de salud
A pesar de los resultados obtenidos, el estudio presenta limitaciones, entre ellas, su diseño retrospectivo y la baja representación de pacientes con hepatitis viral (Grapa et al., 2025). En consecuencia, los investigadores destacan la necesidad de realizar estudios prospectivos y validaciones multicéntricas que permitan confirmar la utilidad del modelo en entornos clínicos reales (AACR, 2026).
Asimismo, el algoritmo ha sido puesto a disposición para facilitar su evaluación independiente en diferentes sistemas de salud, con el objetivo de validar su aplicabilidad en diversos contextos. Este enfoque busca promover su análisis en entornos clínicos reales, permitiendo comprobar su desempeño fuera de las cohortes iniciales.
De esa manera, se favorece la generación de evidencia adicional sobre su utilidad práctica. Además, su disponibilidad contribuye a fortalecer procesos de validación externa (AACR, 2026).
A partir de estas consideraciones, el desarrollo de este modelo de aprendizaje automático representa un avance relevante en la predicción del riesgo de cáncer de hígado. Al demostrar que los datos clínicos rutinarios permiten alcanzar una alta precisión, el estudio abre nuevas posibilidades para fortalecer las estrategias de detección temprana del carcinoma hepatocelular (Grapa et al., 2025).
De igual forma, su capacidad para superar herramientas tradicionales y su potencial aplicación en distintos entornos refuerzan su relevancia dentro de la medicina contemporánea. Este desempeño sugiere que puede integrarse como apoyo en la evaluación del riesgo clínico; sin embargo, su implementación dependerá de validaciones adicionales en escenarios reales. En este sentido, será necesario confirmar su efectividad en distintas poblaciones (AACR, 2026).
En conjunto, estos hallazgos reflejan el papel creciente de la inteligencia artificial en la medicina y evidencian su potencial para transformar las estrategias de detección temprana del cáncer de hígado en distintos contextos clínicos (Grapa et al., 2025).
Referencias
American Association for Cancer Research. (2026, 26 de marzo). Un modelo de aprendizaje automático podría permitir la predicción del riesgo de cáncer de hígado con información clínica rutinaria. AACR. https://www.aacr.org/about-the-aacr/newsroom/news-releases/a-machine-learning-model-may-enable-liver-cancer-risk-prediction-with-routine-clinical-information/
Cure Compass. (2026, 6 de abril). IA y medicina preventiva: un nuevo algoritmo predice el riesgo de cáncer de hígado con datos clínicos de rutina. Cure Compass. https://curecompass.com.ar/ia-y-medicina-preventiva-un-nuevo-algoritmo-predice-el-riesgo-de-cancer-de-higado-con-datos-clinicos-de-rutina/
Grapa, C., Mocan, T., Mocan, L., Motofelea, A., Stanciulescu, R., Craciun, R., Varciu, A., Sparchez, Z. y Mocan, T. (2025). Cambiando el rumbo: la inteligencia artificial en el panorama cambiante del cáncer de hígado. Cancers, 17(18). https://pmc.ncbi.nlm.nih.gov/articles/PMC12468571/
Salud Digital. (s.f). Una nueva estrategia con IA mejora la detección temprana del cáncer de hígado. Salud Digital. https://saluddigital.com/big-data/una-nueva-estrategia-con-ia-mejora-la-deteccion-temprana-del-cancer-de-higado/
