Predicción de Patrones de Riesgo de Cáncer de Mama: Cómo la IA Mapea las Exposiciones Químicas y la Salud
El Dr. Dimitri Abrahamson es científico en la UCSF y colabora con la Dra. Kimberly Badal en su estudio en curso sobre mezclas químicas. Como químico computacional que emplea laboratorios virtuales además de los tradicionales tubos de ensayo, la especialidad del Dr. Abrahamson radica en la intersección de la tecnología, la medicina y la química. Camille Sytko (pasante de comunicación científica) y Lianna Hartmour (directora de programas y comunicaciones de Zero Breast Cancer), miembros de la organización Collaborative for Health & Environment (CHE), tuvieron la oportunidad de entrevistarlo para comprender mejor el importante papel desempeñado por el aprendizaje automático en este estudio y los beneficios que esta tecnología puede seguir aportando al campo de la salud ambiental.
¿Qué es el aprendizaje automático y cómo se utiliza en este trabajo?
El aprendizaje automático es un tipo de inteligencia artificial (IA) que enseña a una computadora a aprender de la experiencia, en lugar de proporcionarle una lista estricta de instrucciones. Utiliza las matemáticas para encontrar patrones significativos en conjuntos de datos grandes y complejos, funcionando como una calculadora extremadamente potente capaz de procesar miles de millones de puntos de datos. Herramientas populares como Chat GPT y Google Gemini son un tipo distinto de IA para imitar la forma en que hablan los seres humanos.
En el estudio sobre mezclas de sustancias químicas, los investigadores medirán las cantidades de miles de compuestos presentes en la sangre de mujeres que no desarrollaron cáncer de mama y las compararán con las de aquellas que sí lo padecieron. Utilizarán un método de laboratorio denominado análisis no dirigido, el cual rastrea todas las sustancias presentes en una muestra en lugar de centrarse únicamente en unas pocas predeterminadas. Este enfoque permite identificar una inmensa cantidad de compuestos en una sola muestra, lo que genera un conjunto de datos masivo y complejo. A diferencia de los estudios tradicionales de salud ambiental, que suelen examinar la toxicidad de un solo químico a la vez, el enfoque no dirigido ofrece una visión global de la amplia variedad de compuestos químicos a los que están expuestas las personas. Debido a que la magnitud de estos datos supera la capacidad de los métodos de análisis convencionales, surge la necesidad de emplear herramientas de aprendizaje automático.
Los investigadores utilizarán un modelo de aprendizaje automático para identificar, dentro del conjunto de datos, aquellas exposiciones a sustancias químicas que aumentan el riesgo de desarrollar cáncer de mama. El estudio también analiza si una mezcla de sustancias químicas podría resultar más perjudicial que la exposición a una sola de ellas. El Dr. Abrahamson explicó: «Estos modelos de aprendizaje automático nos permiten descubrir las reglas para predecir el resultado correcto utilizando únicamente los datos, sin necesidad de programarlas una por una».
El Dr. Abrahamson señala que el estudio busca utilizar el reconocimiento de patrones para responder a la pregunta: «¿Podemos emplear estos conjuntos de datos masivos y el aprendizaje automático para predecir si una persona desarrollará cáncer de mama?». Se espera que los patrones identificados en este estudio revelen relaciones entre las sustancias químicas detectadas en la sangre de una persona y la probabilidad de que desarrolle cáncer de mama en el futuro.
Implicaciones para el futuro
Un resultado clave de este estudio será el propio modelo de aprendizaje automático que, si todo sale bien, se utilizará para realizar predicciones precisas sobre el riesgo futuro de cáncer de una persona, basándose en las mezclas químicas presentes en su sangre y en otros factores de riesgo tradicionales. Con el tiempo, el modelo podría emplearse en entornos clínicos para informar a los pacientes sobre los tipos de exposiciones ambientales que podrían estar contribuyendo a su riesgo de cáncer. Este conocimiento podría mejorar la atención preventiva, fomentar cambios en el estilo de vida (como evitar ciertas sustancias químicas) y, en el mejor de los casos, conducir a cambios normativos que prohíban las sustancias químicas nocivas para toda la población.
Al preguntársele cómo prevé que evolucione la investigación en salud ambiental a medida que se desarrollan estas herramientas, el Dr. Abrahamson explicó que, paralelamente a la creciente precisión del aprendizaje automático, también están avanzando las tecnologías necesarias para recopilar datos sobre la exposición ambiental, obtenidos tanto a partir de muestras de sangre (como en este estudio), como del entorno del hogar, los alimentos, el aire o el agua.
Algunas sustancias químicas tienen relaciones de causa y efecto que no siempre son consistentes. Si bien ciertas exposiciones se asocian con daños a la salud incluso en niveles muy bajos, puede existir un punto crítico (o umbral) en el que una sustancia parece inocua a dosis bajas, pero se vuelve nociva al alcanzar una determinada cantidad. Asimismo, las mezclas de compuestos químicos pueden resultar más perjudiciales que cada uno de ellos por separado. El Dr. Abrahamson opina que «los modelos de aprendizaje automático serán sumamente útiles cuando logren identificar reglas o patrones que quizás no sean tan simples como habíamos pensado».
A medida que el Dr. Abrahamson y la Dra. Badal continúan su labor, el objetivo sigue siendo claro: transformar enormes cantidades de datos en medidas prácticas de protección de la salud. Esta convergencia entre la informática y la química va más allá del concepto de «big data»; se trata de construir un futuro en el que podamos predecir —y, en última instancia, prevenir— los riesgos ambientales para la salud antes de que se manifiesten.
--
Escrito por Camille Sytko, pasante de comunicación científica de CHE, y Lianna Hartmour (MA, NBC, HWC), directora de programas y comunicaciones de Zero Breast Cancer (CHE).
Traducción: Victoria Ewing
Revisado por Catherine Thomsen
