En julio de 2026, investigadores de la Universidade de São Paulo (USP) y del Instituto do Câncer do Estado de São Paulo (Icesp) publicaron en la revista npj Breast Cancer, de Nature, el trabajo Ensemble machine learning for predicting breast cancer recurrence and mortality using clinical and hemogram data (Aprendizaje automático en conjunto para predecir la recurrencia y la mortalidad por cáncer de mama utilizando datos clínicos y del hemograma, en traducción libre).
En el artículo, los investigadores detallan el desarrollo de BreastOncoPredict, un software de Inteligencia Artificial (IA) capaz de predecir el riesgo de recurrencia o muerte de pacientes con cáncer de mama a partir de datos clínicos y de un hemograma completo disponible en el momento del diagnóstico.
C2PO conversó con la Dra. Luciana Rodrigues Carvalho Barros, investigadora científica del Icesp, investigadora miembro del C2PO y líder de la investigación, para conocer más sobre el desarrollo del programa.
C2PO: ¿Cómo surgió la idea de utilizar el hemograma completo para desarrollar la IA de predicción de recurrencia del cáncer de mama?
Dra. Luciana Barros: El hemograma como fuente de información para el diagnóstico ya era algo conocido en la literatura. Pero decidimos utilizar el hemograma completo y no solamente los leucocitos.
Comenzamos en 2023, evaluando los datos de 4.867 pacientes, con información retrospectiva de los 15 años anteriores (desde 2008), algo que solo fue posible porque contábamos con datos del Icesp, un gran centro de tratamiento del cáncer.
Nos dimos cuenta de que los datos eran consistentes a lo largo del tiempo, de modo que podíamos confiar en ellos para intentar establecer correlaciones.
El software se alimentó con los datos de las pacientes del Icesp y fuimos verificando cuáles biomarcadores eran los mejores predictores y cuáles no tenían relevancia para las predicciones. Los glóbulos rojos resultaron ser relevantes, algo que no esperábamos.
Se probaron varios biomarcadores diferentes hasta llegar a 16 características que, en conjunto, permitían obtener la mayor precisión en las predicciones.
Una ventaja es que toda la información está disponible en el momento del diagnóstico: el estadio clínico, la edad de la paciente y el hemograma completo.
C2PO: ¿Cómo se desarrolló el software?
Dra. Luciana Barros: Entrenamos decenas de modelos predictivos supervisados y luego seleccionamos los mejores modelos para integrar la IA de BreastOncoPredict. También utilizamos técnicas para identificar qué información era más importante para determinar el riesgo de recurrencia indicado por la IA.
BreastOncoPredict es una IA explicable, a diferencia de la IA de “caja negra”, en la que no es posible saber cuáles son las informaciones más importantes. Con esta técnica, constatamos que el análisis de la serie roja del hemograma —no solamente de los leucocitos— era importante para la predicción de recurrencia realizada por la IA.
C2PO: BreastOncoPredict utiliza los datos del hemograma completo, sin recurrir al material genético del tumor, como ocurre con las pruebas genéticas. ¿Cuáles son las ventajas de este enfoque?
Dra. Luciana Barros: Las pruebas genéticas requieren una biopsia de cada paciente, es decir, una muestra del tumor, y por eso son muy costosas e inaccesibles en el contexto del SUS. BreastOncoPredict no requiere muestras adicionales, más allá del hemograma que ya se realiza durante el seguimiento.
Esta investigación puede tener como gran ventaja la democratización del acceso a la predicción para pacientes con cáncer de mama en el contexto del SUS, algo que también podría replicarse en países de ingresos medios y bajos.
C2PO: ¿Cuáles son los beneficios y los impactos esperados con la utilización del software?
Dra. Luciana Barros: La herramienta podría ser utilizada por médicos para apoyar la toma de decisiones terapéuticas y el seguimiento de la recurrencia, aumentando la frecuencia de los exámenes de seguimiento en pacientes con alto riesgo de recurrencia y evitando exámenes innecesarios en pacientes con bajo riesgo de recurrencia.
Para los gestores de salud pública, podría servir para la gestión de las listas de espera y la priorización de pacientes con mayor riesgo de recurrencia, mejorando la eficiencia del sistema de salud.
C2PO: El estudio fue retrospectivo. ¿Ahora tendremos un estudio prospectivo para su confirmación? ¿Cuáles son las próximas etapas para confirmar y ampliar su utilización?
Dra. Luciana Barros: Tendremos un estudio prospectivo en el Icesp, con el que esperamos confirmar las métricas de precisión.
Además, tendremos una etapa de validación en otros centros. La idea es probarlo en otros hospitales del SUS. De hecho, ya se está planificando una primera colaboración con otro hospital público del estado de São Paulo. Pero, a largo plazo, la idea es expandirlo también a otros centros del SUS en Brasil. La validación en otros lugares puede llevar a pequeños ajustes en el software que lo hagan más preciso.
