Una IA argentina para saber si la quimioterapia va a funcionar: qué hay de cierto y qué falta todavía

Un equipo de la UBA y el CONICET trabaja en una herramienta que busca anticipar si un paciente va a responder a la quimioterapia antes de empezar el tratamiento. La idea es potente y el desarrollo es nuestro, pero está en fase preclínica. Repasamos qué se sabe, qué no y cómo leer la noticia sin caer en el entusiasmo fácil.

Cada tanto aparece una noticia que junta todo lo que nos gusta leer: ciencia argentina, inteligencia artificial y una promesa contra el cáncer. Esta semana pasó con un proyecto de la Universidad de Buenos Aires y el CONICET que busca predecir, antes de aplicarla, si una quimioterapia le va a servir a un paciente.

Es una buena noticia. Pero también es de esas que conviene leer despacio. Porque entre “se está investigando” y “ya está disponible” hay una distancia enorme, y los titulares no siempre la hacen visible. Vamos por partes.

Qué se anunció, en concreto

El trabajo está a cargo de un equipo de la Facultad de Farmacia y Bioquímica de la UBA y del Instituto de Estudios de la Inmunidad Humoral (IDEHU), que depende de la UBA y del CONICET. Lo conducen los investigadores Matías Pibuel y Silvina Lompardía, junto con Martín Ledesma, bioinformático del Hospital El Cruce. También participan los hospitales Garrahan y del Bicentenario de Esteban Echeverría.

La idea de fondo es simple de explicar. Hoy, cuando alguien empieza una quimioterapia, los médicos no pueden saber con certeza si va a funcionar. Se administra el fármaco y se observa cómo evoluciona la persona. Según explicó Pibuel, la respuesta suele conocerse recién después de tres o cuatro sesiones, y durante ese tiempo el paciente puede sufrir efectos adversos sin ninguna garantía de beneficio.

El proyecto quiere cambiar eso: detectar de antemano si un fármaco tiene pocas chances de ser efectivo, para descartarlo y buscar una alternativa.

Cómo funcionaría

Según contaron los propios investigadores, el sistema parte de una muestra del paciente. Con ella se analiza qué moléculas se expresan en el tumor, y después, con inteligencia artificial, se cruza esa información con la probabilidad de que la persona responda o no a determinada quimioterapia.

Dicho de otro modo: la IA busca patrones. Si en muchos pacientes un cierto perfil molecular se asocia con resistencia a una droga, ese perfil podría convertirse en una señal de alerta. Cuantas más muestras y correlaciones se acumulen, más fino podría volverse el pronóstico. A esas señales se las llama biomarcadores, y el equipo las rastrea en sangre, suero, tejido tumoral y líquido cefalorraquídeo.

Es la lógica de la llamada medicina de precisión: elegir el tratamiento según cómo es el tumor de cada persona, y no solo según el tipo de cáncer.

Por qué el problema importa

Detrás hay una situación muy concreta. Muchas quimioterapias son duras. Si se puede evitar que alguien las atraviese cuando no le van a servir, la diferencia en calidad de vida es enorme.

El origen del proyecto lo deja claro. En una nota publicada por la UBA, Lompardía explicó que lo importante es descubrir a tiempo si hace falta exponer al paciente a una droga tan tóxica como la temozolomida, que es la de primera línea en ciertos tumores cerebrales. En cánceres agresivos, con pocas opciones y poco tiempo, cada decisión pesa.

En qué etapa está realmente

Acá viene la parte que más importa para leer la noticia con criterio. La propia UBA informa que la metodología está en fase preclínica y que ya empezó a aplicarse sobre muestras de pacientes del Hospital Garrahan.

Fase preclínica quiere decir que todavía no se usa para decidir tratamientos de personas reales. Se trabaja con muestras para construir y poner a prueba el modelo. Cuando algunos medios dicen que la herramienta “ya se prueba”, es cierto, pero conviene no entenderlo como que está funcionando en los consultorios. No lo está.

Los tiempos que se manejan también ayudan a bajar expectativas. Según reportó El Economista, el equipo calcula que podría validar la técnica clínicamente en unos dos años, y que la aplicación en hospitales llegaría recién dentro de cinco a diez años. Otros medios son más vagos y hablan de “los próximos años”. En cualquier caso, no estamos ante algo que vaya a estar disponible mañana.

Los detalles en los que las notas no coinciden

Al leer varias coberturas juntas, aparecen pequeñas diferencias que vale la pena marcar. No invalidan el trabajo, pero muestran por qué conviene mirar más de una fuente.

Por ejemplo, no todas las notas describen igual qué tumores se estudian. Diario de Cuyo menciona tumores del sistema nervioso central en pacientes pediátricos, glioblastomas, leucemias y adenocarcinoma de páncreas. Infobae habla de tumores del sistema nervioso central tanto en adultos como en niños, leucemia mieloide crónica y ensayos vinculados con páncreas. Parecidos, pero no idénticos.

Algo similar pasa con los premios. Se mencionan el Merck-CONICET y el CRIION-Frank, pero la descripción no es uniforme: en un texto de la UBA, la investigación aparece como finalista del Merck-CONICET, mientras que otras notas lo presentan como una distinción obtenida.

Y hay una afirmación que los propios investigadores plantean como hipótesis: que el método puede extrapolarse a otros tipos de tumores. Es razonable pensarlo, pero hoy no está demostrado.

Lo que todavía no sabemos

Una lectura honesta también tiene que decir qué falta. En todo el material que revisamos no encontramos:

Una publicación científica, revisada por otros especialistas, que describa el modelo y sus resultados. Datos sobre qué tan bien predice: precisión, tasa de aciertos o errores. Cuántos pacientes se incluyeron hasta ahora. Pruebas del modelo con muestras de otros hospitales distintos de los que aportaron las propias.

Que no los encontremos no significa que no existan. Pueden estar en preparación o en documentos que no son públicos. Pero mientras no se conozcan, nadie de afuera puede evaluar qué tan sólido es el enfoque. Por ahora hay un objetivo de investigación bien planteado, no un resultado verificable.

También hay una frase que pide matiz. Según se reportó, Pibuel dijo que hoy “todo se hace de manera empírica” y que no existen técnicas para predecir la respuesta a la terapia. Dicho así, es una simplificación. En oncología ya hay biomarcadores predictivos validados para algunos tratamientos y tumores; un ejemplo conocido en glioblastoma es el estado de metilación del gen MGMT, asociado a cómo responde el paciente a la temozolomida. Lo que probablemente quiso decir es que no existe una herramienta general y confiable que anticipe la respuesta a la quimioterapia en cada paciente, y en ese sentido el planteo del proyecto tiene todo el sentido.

El panorama internacional: no estamos solos, y todos enfrentan el mismo desafío

Este tipo de investigación se hace en todo el mundo. Un caso muy citado es CHIEF, un modelo de la Universidad de Harvard que se probó en 19 tipos de cáncer y puede hacer tareas de diagnóstico, pronóstico y caracterización molecular. Sin embargo, su autor le explicó a Infobae que el paso que sigue son pruebas prospectivas: comprobar si ayudarse con IA realmente mejora las decisiones clínicas y los resultados de los pacientes.

Esa cautela no es casual. Una revisión publicada en BMJ Oncology advierte que muchos modelos de predicción basados en aprendizaje automático tienen fallas de método y que la mayoría termina sin implementarse en la práctica. Otro análisis sistemático revisó 287 estudios de modelos de predicción en oncología y encontró que solo 89, es decir el 31%, incluyó algún tipo de validación externa.

¿Por qué importa tanto la validación externa? Porque un algoritmo puede funcionar muy bien con los datos con los que aprendió y fallar con pacientes de otro lugar. Es como un estudiante que domina el examen de práctica pero no el final. Para un proyecto que hoy trabaja con muestras de pocos centros, ese será uno de los grandes desafíos.

Qué significa para quien está en tratamiento hoy

La respuesta es directa: nada cambia todavía. Esta herramienta no está disponible y no modifica las decisiones clínicas actuales. Las indicaciones siguen dependiendo del equipo médico, de los protocolos vigentes y de los biomarcadores ya validados.

Lo que sí nos deja la noticia es una señal alentadora: hay investigación local en un área de enorme impacto, con hospitales públicos involucrados y reconocimientos científicos de por medio. En un contexto en el que la ciencia argentina suele tener que arreglárselas con poco, no es un dato menor.

Qué habrá que mirar de acá en adelante

Para saber si esto avanza de verdad, algunas preguntas van a ser clave:

¿Se publicarán los resultados en revistas científicas con revisión de pares? ¿Qué nivel de precisión alcanzará el modelo y con cuántos pacientes? ¿Se validará con muestras de otros centros y poblaciones? ¿Ayuda el sistema a tomar mejores decisiones y mejora los resultados de los pacientes? ¿Cómo se financiará el salto de la investigación al uso en hospitales? Para quedarnos con algo

El proyecto de la UBA y el CONICET apunta a una pregunta legítima: cómo evitar que una persona atraviese una quimioterapia que probablemente no le va a servir. Que ya trabaje con muestras de un hospital pediátrico de referencia y que reúna a varias instituciones públicas habla de una iniciativa seria.

Pero hoy lo documentado es una investigación en fase preclínica, sin resultados públicos de desempeño y con un horizonte de uso hospitalario de cinco a diez años. Entre una cosa y la otra hay un camino largo, y muchos modelos prometedores se quedan en el trayecto.

Leer esta noticia con equilibrio es celebrar la investigación sin confundirla con un tratamiento disponible, y esperar los datos antes de sacar conclusiones. Con la ciencia, la paciencia también es una forma de rigor.