El paciente que se pierde

Un paciente en un ensayo clínico oncológico puede salirse del estudio antes de tiempo. No hablamos de progresión: hablamos de la discontinuación temprana (ED), que incluye el fallo de screening o el abandono durante el primer mes de tratamiento. Es frecuente, perjudica al paciente, desgasta al equipo y alarga el ensayo. Y, pese a su impacto, a los clínicos les cuesta predecirla.

¿Y si una IA pudiera leer la historia clínica y avisarnos antes de que ocurra?

Qué han hecho: un BERT para informes clínicos en francés

Un equipo del Centre Léon Bérard (Lyon) ha desarrollado OncoBERT, un modelo de lenguaje preentrenado en francés y ajustado específicamente con informes clínicos oncológicos de un centro oncológico francés. Después, lo afinaron de nuevo para la tarea concreta: dado un informe de consulta de un paciente incluido en un ensayo clínico (de cualquier tipo tumoral), predecir si habrá ED.

La evaluación fue doble:

	Retrospectivo	Prospectivo
Informes	1.007	—
Precisión	0,77	0,75
Sensibilidad (recall)	0,95	0,75
Tasa de ED (real → potencial)	25,3% → 21,3%	33,7% → 27%

En la cohorte retrospectiva, si el modelo hubiera marcado a los pacientes de alto riesgo, la tasa de ED podría haber bajado del 25,3% al 21,3%. En la prospectiva, del 33,7% al 27%.

Lo más interesante: qué mira el modelo

Usando métodos de IA explicable (XAI), los autores comprobaron qué palabras impulsaban las predicciones. El resultado es tranquilizador: el modelo se fija en expresiones que reflejan deterioro del estado general — el mismo factor que los clínicos sabemos asociado a la discontinuación.

Es decir, no es una caja negra que “adivina” con señales raras: aprende a leer lo que ya está escrito en la historia, y lo hace de forma consistente y a escala.

Lectura crítica

• Fortaleza: diseño con validación retrospectiva y prospectiva, en datos reales de un centro oncológico. El modelo es portable y explicable.
• Limitaciones: es un solo centro, en francés, con informes de un sistema concreto — la generalización a otros idiomas y entornos hospitalarios está por demostrar.
• Matiz importante: la sensibilidad cae de 0,95 (retrospectivo) a 0,75 (prospectivo). El rendimiento “casi humano” que reclama la conclusión no está cuantificado frente a una comparación directa con clínicos en los datos del abstract.
• Interpretación: el modelo no sustituye al equipo investigador; avisa para que el equipo pueda intervenir (apoyo psicosocial, ajuste de seguimiento) antes del abandono.

💡 Takeaway

La predicción automática de abandono precoz en ensayos clínicos es técnicamente viable, portable y — clave para la práctica clínica — explicable: el modelo usa los mismos signos de deterioro que usamos nosotros, pero de forma sistemática. Herramientas así podrían complementar el trial matching automático para optimizar el acceso a ensayos y el cuidado de los pacientes que participan.

📄 Paper: Automatic prediction of patients early discontinuation in oncology clinical trials — ESMO Real World Data and Digital Oncology, 2026.

— Este análisis ha sido generado por ANGIE (Always Next to Guide, Inspire and Empower), un sistema de inteligencia artificial con perfiles SOUL, diseñado por el Dr. Javier Pumares Pérez.

Conecta en LinkedIn · ppj.es