La oncología de precisión adapta las decisiones terapéuticas a las características biológicas de cada tumor. Dos pacientes con un diagnóstico similar pueden presentar perfiles moleculares distintos y responder de manera diferente a un mismo tratamiento.
Para interpretar esas diferencias, este enfoque integra genómica, biomarcadores, imagen médica y datos clínicos. Además, el Machine Learning y la Inteligencia Artificial ayudan a relacionar grandes volúmenes de información para identificar patrones relevantes en la evolución tumoral.
Así, la oncología de precisión transforma datos clínicos y moleculares en información que ayuda a seleccionar, ajustar y reevaluar estrategias terapéuticas de manera individualizada.
Qué información convierte la oncología de precisión en una decisión clínica
La oncología de precisión no consiste únicamente en identificar una mutación. Su valor aparece cuando diferentes capas de información permiten interpretar qué alteraciones tienen relevancia clínica y cómo afectan a la estrategia terapéutica.
El proceso comienza con la caracterización del tumor y del paciente. A partir de ahí, los datos moleculares, los biomarcadores, la información clínica y la evolución terapéutica se analizan de manera conjunta para distinguir qué hallazgos son realmente accionables, cuáles ayudan a estimar respuesta y cuáles apuntan a mecanismos de resistencia.
La decisión final exige relacionar esos hallazgos con la evidencia disponible y con el contexto individual del paciente. Por tanto, la oncología de precisión transforma una gran cantidad de datos biológicos y clínicos en información útil para orientar decisiones más específicas, adaptativas y fundamentadas.
La oncología de precisión integra biomarcadores, datos clínicos e Inteligencia Artificial para orientar decisiones terapéuticas individualizadas y clínicamente validadas
Qué datos construyen el perfil molecular de un tumor
El perfil molecular de un tumor reúne alteraciones biológicas que ayudan a caracterizarlo con mayor precisión y constituye una de las bases de la oncología de precisión. Aunque la secuenciación genética ocupa un papel central, también intervienen otras fuentes de información que completan la interpretación del tumor y su posible relevancia clínica.
Entre las principales fuentes de información destacan:
- Variantes somáticas: Identifican alteraciones adquiridas por las células tumorales, incluidas mutaciones, cambios en el número de copias o reordenamientos con posible relevancia terapéutica.
- Variantes germinales: Aportan información sobre alteraciones hereditarias que se relacionan con predisposición tumoral y determinadas decisiones clínicas.
- Transcriptómica: El análisis de RNA permite conocer qué genes mantienen actividad en el tumor y complementar la información obtenida mediante el estudio del ADN.
- Biomarcadores tumorales: Integran señales moleculares relacionadas con comportamiento biológico, pronóstico o respuesta a determinados tratamientos.
- ADN tumoral circulante: El ctDNA obtenido mediante biopsia líquida permite estudiar señales moleculares liberadas por el tumor y seguir cambios durante su evolución.
- Imagen médica y patología digital: Radiomics y pathomics transforman determinadas características de las imágenes en variables cuantificables que describen el fenotipo tumoral.
- Datos clínicos longitudinales: Tratamientos previos, respuesta, toxicidad, comorbilidades y evolución aportan el contexto necesario para interpretar correctamente la información molecular.
La multimodalidad aparece cuando estas fuentes dejan de analizarse como compartimentos independientes. Genómica, imagen y datos clínicos describen aspectos distintos del mismo proceso biológico y, al integrarse, construyen una representación más completa del tumor.
Un ejemplo aplicado aparece en el trabajo de David Compte Colomé, alumno de Campus Health Tech, sobre microcalcificaciones mamarias, donde características obtenidas de imagen se utilizan para estudiar el riesgo. El caso muestra cómo una señal radiológica se transforma en información cuantificable e integrarse con otros datos clínicos.
Cómo pasa un biomarcador de ser un hallazgo a orientar un tratamiento
Detectar una alteración molecular no significa haber identificado automáticamente un tratamiento. Antes de utilizar un biomarcador en una decisión terapéutica, el equipo clínico debe determinar qué función desempeña esa alteración, qué evidencia respalda su relevancia y cómo encaja dentro del contexto biológico del tumor.
Una mutación driver participa directamente en el desarrollo o mantenimiento tumoral, mientras que una alteración accionable cuenta con evidencia que permite relacionarla con una intervención terapéutica concreta. Sin embargo, esa relación cambia según las co-mutaciones presentes, la heterogeneidad intratumoral, los tratamientos recibidos o los mecanismos de resistencia desarrollados durante la evolución de la enfermedad.
Por eso, la interpretación sigue una secuencia clínica progresiva. Primero se identifica la alteración molecular. Después se analiza su relevancia funcional, el nivel de evidencia disponible y su accionabilidad. Finalmente, esos datos se contrastan con el perfil completo del paciente antes de orientar una estrategia terapéutica. Los molecular tumor boards integran este proceso mediante la participación de oncología, anatomía patológica, genética y bioinformática, especialmente cuando existen hallazgos complejos o varias opciones posibles.
Dos pacientes con una misma alteración molecular tampoco presentan necesariamente la misma respuesta. Una firma molecular, una alteración asociada a resistencia o la evolución del ADN tumoral circulante modifican la interpretación y ayudan a decidir si mantener, cambiar o reconsiderar una estrategia. Así, el biomarcador adquiere verdadero valor cuando deja de ser un dato aislado y se interpreta dentro de una evidencia clínica completa.
| Evidencia molecular | Pregunta clínica | Decisión que informa |
|---|---|---|
| Alteración accionable | ¿Existe una diana terapéutica relevante? | Selección terapéutica |
| Firma molecular | ¿Qué patrón biológico presenta el tumor? | Estratificación |
| ctDNA | ¿Está cambiando la señal molecular? | Seguimiento |
| Alteración de resistencia | ¿Está apareciendo un mecanismo de escape? | Replanteamiento terapéutico |
Cómo integra la Inteligencia Artificial información clínica, molecular e imagen
La Inteligencia Artificial en oncología adquiere valor cuando conecta información que, por separado, ofrece una visión incompleta del paciente. Variables clínicas, genómicas y transcriptómicas conviven con imágenes médicas, anatomía patológica, resultados de laboratorio y datos longitudinales sobre respuesta o progresión. Integrar estas fuentes permite construir modelos capaces de encontrar relaciones que no aparecen al analizar cada modalidad de forma independiente.
Dentro de este proceso, Machine Learning y Deep Learning cumplen funciones diferentes según el tipo de dato y la pregunta clínica:
- Estratificar pacientes mediante patrones multivariables que combinan características clínicas y moleculares para identificar perfiles con comportamiento similar.
- Estimar respuesta o resistencia relacionando biomarcadores, tratamientos previos y evolución clínica con los resultados observados en pacientes comparables.
- Priorizar señales relevantes dentro de datasets de alta dimensionalidad, donde miles de variables genómicas, transcriptómicas o derivadas de imagen dificultan una interpretación manual.
La arquitectura del modelo también depende de cómo esté representada la información. Los algoritmos clásicos de Machine Learning trabajan especialmente bien con datos tabulares estructurados, mientras que las redes de Deep Learning adquieren mayor protagonismo cuando el análisis incorpora directamente imágenes radiológicas o anatomía patológica digital.
Un ejemplo aplicado aparece en el trabajo de Pablo Mazza, alumno de Campus Health Tech, sobre detección temprana del cáncer de mama con Machine Learning. El proyecto compara distintos algoritmos sobre 569 muestras con más de 30 características y evalúa su rendimiento mediante precisión, recall, F1 y AUC.
Este caso refleja una idea fundamental en oncología de precisión. La elección del algoritmo no depende de utilizar la tecnología más compleja, sino de seleccionar el enfoque que mejor interprete el tipo de dato disponible y la decisión clínica que se quiere apoyar.
Cómo se valida una estrategia de oncología de precisión antes de aplicarla
Una estrategia de oncología de precisión no debe llegar a la práctica clínica solo porque un biomarcador o un modelo muestre buenos resultados iniciales. Antes de utilizarlo para apoyar una decisión terapéutica, hay que comprobar que la señal es fiable, que mantiene su rendimiento fuera del conjunto donde se desarrolló y que aporta utilidad real en pacientes.
La validación se apoya en tres niveles complementarios:
- Validez analítica: Comprueba que la muestra, la secuenciación, la imagen o la técnica empleada generan datos estables, reproducibles y comparables entre plataformas o centros.
- Validez clínica: Evalúa si el biomarcador o modelo conserva su capacidad predictiva en pacientes distintos a los utilizados durante el desarrollo y si mantiene un rendimiento adecuado en diferentes subgrupos.
- Utilidad clínica: Determina si esa información modifica una decisión relevante, mejora la selección terapéutica o contribuye a reducir intervenciones sin beneficio esperado.
Además, la evaluación debe considerar calibración, sensibilidad, validación externa, rendimiento por subgrupos, dataset shift, trazabilidad y monitorización posterior al despliegue. En oncología, cambios en la población, nuevas terapias o modificaciones en los protocolos degradan un modelo que inicialmente ofrecía un buen rendimiento.
Un ejemplo aplicado aparece en el trabajo desarrollado por un alumno de Campus Health Tech sobre detección automática de hallazgos en radiografías de tórax mediante IA, donde la comparación entre herramientas, el análisis de errores y la validación continua forman parte del propio proceso de evaluación.
Este tipo de análisis refleja por qué medicina, bioinformática, Machine Learning y validación clínica deben trabajar de forma coordinada. Esa integración también forma parte del enfoque del Máster en Big Data Sanitario de Campus Health Tech, orientado al análisis avanzado de datos sanitarios aplicado a problemas clínicos complejos.