La buena noticia es que la mortalidad está disminuyendo, pero sigue siendo alta. Todavía tenemos un largo camino por recorrer para abordar este problema de la incidencia del cáncer de mama, así como la cantidad de muertes.
Destacaron seis obstáculos: La necesidad de más estrategias de prevención/detección temprana; la subutilización de la inteligencia artificial; la infrautilización de la oncología de precisión, como las terapias dirigidas; la necesidad de innovación en los ensayos clínicos; una brecha cada vez mayor en las disparidades del cáncer; y la necesidad de alinear los incentivos y la financiación para la colaboración en investigación, la formación y la retención.
Desde 2012, la Administración de Alimentos y Medicamentos ha aprobado 20 nuevas terapias para tratar el cáncer de mama. El desarrollo de nuevas terapias se ha convertido en cierto modo en víctima de su propio éxito. Las terapias y la supervivencia han mejorado, lo que hace que sea más difícil comparar nuevas terapias con el estándar de atención y demostrar un beneficio. Las pautas de tratamiento están cambiando tan rápidamente que los ensayos clínicos a veces son obsoletos cuando se publican debido a los cambios en el estándar de atención. Eso genera una necesidad de más evidencia del mundo real que pueda diseñarse para ser útil en la clínica, y la IA puede ayudar aquí. "Necesitamos convencer a los reguladores para que actúen sobre el análisis de evidencia del mundo real inteligentemente planificado.
Hay muchos factores de riesgo que impulsan el cáncer de mama, y es muy heterogéneo. Se pidió identificar a los pacientes que están en riesgo para un pronóstico precario, como pacientes con cáncer de mama con receptor hormonal negativo, cáncer de mama de alto grado y triple negativo. De lo contrario, existe el riesgo de sobretratamiento de tumores de bajo riesgo, que potencialmente podrían identificarse con nuevas herramientas en oncología de precisión, como las pruebas de biopsia líquida, también conocidas como pruebas de detección temprana de cáncer múltiple.
Estas pruebas pueden detectar cánceres mucho antes de que se vuelvan sintomáticos. La primera prueba de este tipo se lanzó este año y muchas más se encuentran en ensayos clínicos. El aprendizaje automático se usa en muchos campos, pero casi nada en el cáncer de mama. Podría aplicarse a datos sobre biomarcadores y otros factores recopilados a partir de análisis retrospectivos y ensayos clínicos. El aprendizaje automático a menudo se aplica a la bioquímica y al análisis de células individuales de otros tipos de tumores, pero rara vez en el cáncer de mama. "Está gravemente infrautilizado". Un desafío es que los investigadores no están necesariamente familiarizados con las técnicas de aprendizaje automático e IA. Otro problema es que los datos sobre el cáncer de mama no son fáciles de compartir y es posible que no estén fácilmente disponibles para los investigadores de IA. "Una inversión en datos intercambiables es de vital importancia".
La inteligencia artificial podría ayudar a identificar y modelar los factores que contribuyen al riesgo de cáncer al separar relaciones complicadas, como la asociación entre el embarazo, la lactancia y el riesgo de cáncer de mama. El embarazo reduce el riesgo de enfermedad con receptores hormonales positivos, pero aumenta el riesgo de enfermedad con receptores hormonales negativos.
No hay comentarios:
Publicar un comentario