Un método de aprendizaje automático puede evitarles a las mujeres cirugías innecesarias de mama

La HDA, una lesión mamaria asociada con un aumento de cuatro a cinco veces en el riesgo de cáncer de mama, se encuentra principalmente mediante mamografía y se identifica en la biopsia con aguja gruesa. A pesar de los múltiples pases de la lesión durante la biopsia, solo se muestrean algunas porciones de las lesiones. Otros factores variables influyen en el muestreo y la exactitud, de modo que la presencia de cáncer puede subestimarse en un 10-45%. Actualmente, se recomienda la extirpación quirúrgica para todos los casos de HDA encontrados en las biopsias con aguja gruesa con el fin de determinar si la lesión es cancerosa. Alrededor del 20-30% de los casos de HDA se convierten en cáncer después de la escisión quirúrgica. Sin embargo, esto significa que 70-80% de las mujeres se realizan un procedimiento quirúrgico invasivo y costoso para una lesión benigna (pero de alto riesgo).

El nuevo método de aprendizaje automático para predecir la conversión de HDA a cáncer puede ayudar a los clínicos y pacientes de bajo riesgo a decidir si la vigilancia activa y la terapia hormonal son una alternativa razonable a la escisión quirúrgica. Una evaluación del modelo, realizada por los investigadores, mostró que el método de aprendizaje automático puede identificar el 98% de todos los casos malignos antes de la cirugía, evitando que el 16% de las mujeres se hubieran hecho una operación innecesaria para una lesión benigna. Los investigadores ahora planean expandir el alcance de su modelo al incluir otras lesiones mamarias de alto riesgo, como neoplasia lobular, papilomas y cicatrices radiales. También planean seguir validando su método en grandes conjuntos de datos externos utilizando registros estatales y nacionales de cáncer de mama, y colaborando con otros centros médicos.

“Nuestros resultados sugieren que existen sólidas diferencias clínicas entre las mujeres con un riesgo bajo en comparación con un alto riesgo de que la HDA se convierta en cáncer según los datos de la biopsia con aguja gruesa que le permitieron a nuestro modelo de aprendizaje automático predecir de manera confiable las actualizaciones de malignidad en nuestro conjunto de datos”, dijo Saeed Hassanpour, PhD, quien lideró el equipo de investigación de Dartmouth. “Este estudio también identificó importantes variables clínicas involucradas en el riesgo de actualización de HDA”.

“Nuestro modelo puede ayudar potencialmente a las pacientes y médicos a elegir un método de manejo alternativo en casos de bajo riesgo”, agregó Hassanpour. “En la era de la medicina personalizada, estos modelos pueden ser deseables para los pacientes que valoran un enfoque compartido de toma de decisiones con la capacidad de elegir entre la escisión quirúrgica para tener certeza, versus la vigilancia para evitar el costo, el estrés y los posibles efectos secundarios en mujeres con bajo riesgo para que la HDA se convierta en cáncer”.

Enlace relacionado:
Facultad de Medicina Geisel en Dartmouth