En la actualidad, la medicina y la inteligencia artificial (IA) se han conjugado con el fin de obtener mejores pronósticos y diagnósticos sobre la enfermedad neoplásica (1). Según estimaciones del Observatorio Global del Cáncer (Globocan), de la Agencia Internacional de Investigación sobre Cáncer (IARC), en Argentina ocurrieron 130.878 casos nuevos de cáncer en ambos sexos en el año 2020.^[1]

Este trabajo se originó con el interés de ampliar el conocimiento sobre los factores predisponentes a la aparición de cáncer incorporando las ventajas que presenta la inteligencia artificial para el análisis de un gran número de variables. Se diseñó un modelo de investigación basado en una muestra de individuos lo suficientemente amplia que asegurase la validez de los resultados. Lo suficientemente abarcadora en variables para permitir a los algoritmos de aprendizaje automatizado establecer modelos de predicción entre hábitos y cáncer que hubieran podido pasar desapercibidos mediante el análisis de la epidemiología clásica, sea esta descriptiva, de correlación o de inferencia a través de medidas de dispersión, tablas de frecuencia, coeficientes de correlación de Pearson, regresión lineal, T de student, ANOVA, por solo nombrar algunos ejemplos (2).

El aprendizaje automatizado es una rama de la inteligencia artificial que, a través de los diferentes tipos de aprendizaje (supervisado, no supervisado, semisupervisado), realiza el procesamiento de un gran conjunto de información en un tiempo compatible con las necesidades del análisis. A fin de conocer qué algoritmos son los más precisos para la detección de factores vinculantes a la enfermedad neoplásica, se abordó el trabajo de investigación con un enfoque interdisciplinar. Se amplió el tamaño de la muestra con el objeto de obtener mayor cantidad de datos válidos que permitiesen establecer modelos de predicción a los algoritmos de aprendizaje automático que caractericen la relación entre hábitos y enfermedad neoplásica.

La IA permite obtener mejores resultados para las predicciones y diagnósticos de enfermedades al poner mayor énfasis en el desarrollo de programas informáticos inteligentes. Los trabajos publicados hasta la fecha se fundaron en bases de datos públicos y se refieren a la importancia del uso de la inteligencia artificial para el diagnóstico y tratamiento de enfermedades. Ninguno de los trabajos mencionados hace referencia a la utilización de la IA en estudios de prevención. Moreno Luna (3) remarca la importancia de la aplicación de la IA en la medicina y en los diagnósticos precoces para el procesamiento de imágenes de lunares, con el fin de detectar melanomas; para ello, utilizó la base de datos ISIC 2016, que cuenta con novecientas imágenes en su banco de datos. También, Prado Vázquez (4) concluyó en su trabajo de clasificación molecular en capas de información sobre los datos moleculares del melanoma basados en modelos gráficos probabilísticos, logrando establecer la correlación entre la información registrada en las historias clínicas de los pacientes y los resultados obtenidos en su análisis.