Una fórmula clásica iguala a la inteligencia artificial al estimar el riesgo de cáncer de tiroides
Un estudio del Hospital Universitario de Puerto Real y la Universidad de Cádiz evaluó el riesgo de cáncer de tiroides con datos de 861 pacientes operados entre 2010 y 2023

Una fórmula estadística basada en datos clínicos, analíticos y ecográficos ha obtenido resultados similares a varios algoritmos de inteligencia artificial para calcular el riesgo de cáncer de tiroides. La investigación, desarrollada por profesionales del Hospital Universitario de Puerto Real, la Universidad de Cádiz (UCA) y el Instituto de Investigación e Innovación Biomédica de Cádiz (INIBICA), analizó a 861 pacientes intervenidos en el centro puertorrealeño entre 2010 y 2023.
El trabajo se ha publicado en PLOS Digital Health, una revista de acceso abierto especializada en salud digital e inteligencia artificial aplicada a la medicina. La comparación incluyó un modelo de regresión logística desarrollado y validado anteriormente por el mismo grupo y cuatro sistemas de aprendizaje automático: Random Forest, XGBoost, Bagged CART y una red neuronal artificial.
Todos los modelos recibieron la misma información para efectuar sus estimaciones. La fórmula estadística combina datos clínicos, como la edad, el sexo y los antecedentes familiares; el nivel de la hormona TSH obtenido mediante análisis, y las características observadas en la ecografía. El modelo está disponible como calculadora web gratuita para profesionales sanitarios.
Los investigadores trabajaron con pacientes operados de tiroides cuyo diagnóstico definitivo pudo confirmarse mediante el análisis de la pieza quirúrgica. Para aproximar la evaluación a las condiciones de uso en la práctica clínica, aplicaron una validación temporal: los modelos fueron entrenados con los casos anteriores a 2019 y después se probaron con los pacientes intervenidos a partir de ese año.
La fórmula clásica alcanzó un área bajo la curva ROC de 0,84, una medida que refleja su capacidad para diferenciar entre nódulos malignos y benignos. En términos comparativos, distinguió correctamente ambos tipos de nódulos en el 84% de las comparaciones. El resultado coincide con el obtenido por el modelo en una validación externa anterior.
Los algoritmos Random Forest y XGBoost registraron resultados prácticamente idénticos a los de la regresión logística, sin diferencias estadísticamente significativas. Bagged CART obtuvo un rendimiento algo inferior, mientras que la red neuronal artificial presentó los peores resultados entre los sistemas analizados.
La fórmula estadística también ofreció la mejor calibración. Esto significa que las probabilidades calculadas se correspondieron de forma más ajustada con el riesgo observado en los pacientes, sin requerir correcciones posteriores. Además, la regresión logística y tres de los cuatro algoritmos mostraron mayor capacidad de discriminación que la clasificación ecográfica de referencia de la Asociación Americana de Tiroides de 2015, que se basa únicamente en las imágenes.
Los nódulos tiroideos son frecuentes y pueden detectarse mediante ecografías de alta resolución en hasta dos de cada tres adultos, según recoge el estudio. Solo una minoría resulta maligna, por lo que la evaluación del riesgo busca identificar los casos que requieren una intervención y reducir punciones o cirugías innecesarias en pacientes con lesiones benignas.
El autor principal, Juan Jesús Fernández Alba, jefe del Servicio de Obstetricia y Ginecología del Hospital Universitario de Puerto Real y profesor de la UCA, señala que el análisis muestra que una mayor complejidad tecnológica no implica necesariamente un mejor resultado. Según el investigador, una herramienta sencilla y validada puede resultar útil cuando trabaja con la información recogida habitualmente en las consultas y permite que profesionales y pacientes comprendan en qué se basa cada estimación.
Los autores consideran que esa transparencia puede facilitar la supervisión de las herramientas empleadas como apoyo a las decisiones clínicas. El trabajo relaciona esta característica con las exigencias de la normativa europea sobre inteligencia artificial aplicada al ámbito sanitario, que establece requisitos de comprensión y control de estos sistemas.
La investigación presenta varias limitaciones reconocidas por el propio equipo. Los datos proceden de un único hospital, la muestra incluye exclusivamente a pacientes operados y su tamaño es moderado. Los resultados, por tanto, no excluyen que la inteligencia artificial pueda ofrecer ventajas con bases de datos más amplias o mediante el análisis directo de imágenes ecográficas.
El artículo está firmado también por Carmen González Macías, del Servicio de Obstetricia y Ginecología del Hospital de Puerto Real y la Universidad de Cádiz; y por Florentino Carral San Laureano y Ana Isabel Jiménez Millán, del Servicio de Endocrinología y Nutrición del centro. Fernández Alba y González Macías pertenecen asimismo al grupo de investigación EM18 del INIBICA.
Los datos anonimizados utilizados en el estudio y el código completo del análisis se han depositado en los repositorios Zenodo y GitHub para permitir que otros equipos reproduzcan y comprueben los resultados. La publicación en acceso abierto se ha financiado mediante el acuerdo de la Conferencia de Rectores de las Universidades Españolas y la Universidad de Cádiz con PLOS.


