Modelos de machine learning mejoran la predicción de supervivencia en cáncer colorrectal

Un nuevo estudio publicado en la revista científica Nature revela que los modelos de aprendizaje automático especializados en análisis de supervivencia ofrecen ventajas significativas frente a los algoritmos de clasificación convencionales cuando se aplican al cáncer colorrectal, uno de los tipos de cáncer con mayor incidencia a nivel mundial.

La investigación se centró en comparar el desempeño de los random survival forests —bosques de supervivencia aleatorios— con métodos tradicionales de clasificación. Los resultados mostraron que esta técnica logra capturar con mayor precisión la dimensión temporal del pronóstico, es decir, no solo predice si un paciente sobrevivirá, sino cuándo y bajo qué condiciones de riesgo.

Según los autores, la principal ventaja de los modelos de supervivencia radica en su capacidad para manejar datos censurados, una característica común en estudios clínicos donde no todos los pacientes han completado el período de seguimiento. Los algoritmos de clasificación estándar, en cambio, tienden a ignorar esta información parcial, lo que reduce su precisión en contextos médicos reales.

Los investigadores destacan que la adopción de estas herramientas en entornos clínicos podría mejorar la toma de decisiones médicas, permitir tratamientos más personalizados y optimizar los recursos hospitalarios. El trabajo abre la puerta a una mayor integración de la inteligencia artificial en la oncología de precisión.