La resonancia magnética de próstata se ha convertido en una herramienta fundamental para apoyar el diagnóstico del cáncer de próstata. Este estudio permite identificar lesiones sospechosas, orientar la necesidad de una biopsia y reducir procedimientos innecesarios en pacientes con bajo riesgo.
Sin embargo, el aumento en la demanda de resonancias magnéticas ha provocado saturación en los servicios de imagen, retrasos en el diagnóstico y mayores dificultades de acceso, especialmente en zonas rurales o con recursos médicos limitados.
Para responder a este desafío, investigadores de NYU Langone Health desarrollaron ProMT-ML, una herramienta basada en inteligencia artificial que busca predecir qué pacientes realmente necesitan una resonancia magnética de próstata y cuáles podrían retrasarla o incluso evitarla de forma segura.
¿Cómo funciona esta herramienta de inteligencia artificial?
El modelo utiliza información clínica de rutina, es decir, datos que normalmente pueden obtenerse durante una consulta médica.
Entre los datos que analiza se encuentran:
- Antígeno prostático específico, conocido como PSA.
- Volumen prostático.
- Índice de masa corporal, o IMC.
- Presión arterial.
- Antecedentes de resonancia magnética previa.
Con esta información, ProMT-ML calcula el riesgo individual de que el paciente presente una imagen anormal en la resonancia magnética de próstata.
La resonancia magnética puede aportar información valiosa antes de decidir si un paciente necesita una biopsia prostática. Sin embargo, no todos los pacientes con elevación de PSA o sospecha inicial requieren una resonancia de forma inmediata.
Resultados del estudio
Durante la validación del modelo, presentada en el Congreso Anual de la Asociación Americana de Urología, ProMT-ML mostró resultados prometedores.
El modelo alcanzó un área bajo la curva, o AUC, de 0.750. Además, obtuvo una sensibilidad del 86% y una especificidad del 42%.
También presentó:
- Valor predictivo positivo del 54%.
- Valor predictivo negativo del 79%.
Estos datos sugieren que la herramienta puede ayudar a identificar pacientes con mayor riesgo de una resonancia anormal, así como descartar con buena precisión a quienes tienen menor probabilidad de presentar cáncer de próstata significativo.
Los investigadores desarrollaron dos versiones de ProMT-ML. La primera incluye el volumen prostático como parte del análisis. La segunda versión no lo incorpora, ya que este dato no siempre está disponible durante la primera consulta.
Los investigadores también analizaron casos en los que el modelo predijo una resonancia magnética normal. Posteriormente, revisaron los resultados de biopsias en esos pacientes.
Aproximadamente el 90% de ellos presentó enfermedades benignas o clínicamente insignificantes. Esto sugiere que ProMT-ML podría tener una buena capacidad para identificar pacientes con baja probabilidad de cáncer de próstata relevante.
Potencial para reducir desigualdades en salud
Una de las ventajas más importantes de ProMT-ML es que utiliza datos clínicos fáciles de obtener.
Esto podría convertirlo en una herramienta útil para consultorios urológicos o centros médicos con acceso limitado a tecnología avanzada. En lugar de depender exclusivamente de estudios complejos, el modelo permite estimar el riesgo individual con información básica del paciente.
Próximos pasos de la investigación
Aunque ProMT-ML ya fue validado internamente con datos del sistema de salud de NYU, el siguiente paso será probarlo en poblaciones más diversas.
Los investigadores buscan evaluar su desempeño en distintos entornos clínicos, incluyendo hospitales, consultorios y poblaciones con características diferentes a las utilizadas en el desarrollo inicial del modelo.
También será importante validar su utilidad de manera prospectiva, es decir, aplicándolo en pacientes reales antes de tomar decisiones clínicas, para analizar su precisión y posibles áreas de mejora.
Modelos como ProMT-ML podrían ayudar a los médicos a tomar decisiones más informadas, reducir estudios innecesarios y priorizar a los pacientes con mayor riesgo.
El Dr. Madhur Nayan, autor principal del estudio y profesor de urología en NYU, señaló que herramientas de este tipo representan un paso hacia un diagnóstico más eficiente y equitativo en la práctica clínica.
Fuente
- Persily JB, Chandarana H, Tong A, et al. Development of a machine learning model to triage the use of prostate MRI (PROMT-ML). Journal of Urology. 2025;213(5S):e141. https://doi.org/10.1097/01.JU.0001109752.81014.18.02
