Prueba y refinamiento internacionales de algoritmos de IA que predicen subtipos de leucemia aguda a partir de datos de laboratorio de rutina

Por qué esto importa para pacientes de todo el mundo

Para muchas personas con leucemia aguda, el reloj empieza a correr mucho antes de que lleguen a ver a un especialista. En regiones del mundo donde las pruebas avanzadas son escasas o lentas, averiguar qué tipo de leucemia tiene un paciente puede tardar días —tiempo que quizá no dispongan. Este estudio explora si un programa de inteligencia artificial (IA), usando únicamente las pruebas sanguíneas rutinarias que casi todos los hospitales ya realizan, puede sugerir rápidamente el subtipo probable de leucemia y ayudar a los médicos a actuar con más rapidez, especialmente en entornos con recursos limitados.

Convertir las pruebas sanguíneas cotidianas en una alerta temprana

Los investigadores reunieron registros de 6.206 pacientes con leucemia aguda tratados en 20 centros de 16 países, abarcando todos los continentes habitados y una amplia gama de niveles de renta. En lugar de basarse en pruebas especializadas o genéticas, alimentaron un modelo de IA existente con mediciones de laboratorio estándar tomadas al diagnóstico, como recuentos sanguíneos, parámetros de coagulación y resultados básicos de bioquímica. El objetivo fue ver si una herramienta inicialmente desarrollada con datos franceses podía reconocer, en hospitales, poblaciones y grupos de edad muy distintos, tres tipos principales de leucemia: leucemia mieloide aguda (LMA), leucemia promielocítica aguda (LPA) y leucemia linfoblástica aguda (LLA).

Señales claras, pero brechas en quién se beneficia

Aplicado de forma amplia en adultos, el modelo de IA funcionó bien en general: fue especialmente preciso para LMA y LPA, dos formas en las que el reconocimiento precoz puede influir notablemente en la supervivencia. Sin embargo, la versión original incluía una estricta norma interna de “confianza” que solo informaba un resultado cuando estaba muy seguro. Esto hacía que sus cifras parecieran excelentes en papel, pero también implicaba que en la práctica más del 90% de los pacientes podrían no recibir ninguna sugerencia de la IA. Incluso sin esa regla, el rendimiento varió ampliamente entre centros y tipos de leucemia, reflejando diferencias en edades de los pacientes, patrones locales de la enfermedad e incluso en las máquinas de laboratorio utilizadas.

Enseñar al sistema a manejar datos desordenados del mundo real

Para hacer la herramienta más útil en la práctica cotidiana, el equipo investigó por qué fallaba en algunos casos. Compararon los patrones subyacentes de las pruebas sanguíneas entre pacientes correctamente e incorrectamente clasificados y utilizaron métodos estadísticos de explicación para identificar qué mediciones eran más relevantes. Ciertos marcadores de coagulación y propiedades de los glóbulos rojos resultaron especialmente importantes para distinguir LPA de otros tipos, mientras que los patrones de leucocitos ayudaron a separar LMA de LLA. Los investigadores añadieron entonces un nuevo paso de preprocesamiento que detecta pacientes “atípicos” cuyos resultados de laboratorio difieren mucho de lo que la IA había visto antes. Al combinar dos filtros de ese tipo y eliminar solo una fracción moderada de casos, aumentaron la precisión para los grupos difíciles —en particular para pacientes que antes quedaban por debajo del umbral de confianza del modelo— al tiempo que mantenían las predicciones disponibles para la mayoría de las personas.

Adaptar la IA a los niños, no solo a los adultos

Los niños con leucemia a menudo muestran patrones de laboratorio distintos a los de los adultos, y esto resultó crucial. Cuando la IA entrenada con datos de adultos se aplicó a 1.746 pacientes pediátricos, su rendimiento cayó, especialmente para LMA. El equipo mostró que valores sanguíneos clave, como factores de coagulación y recuentos celulares, siguen rangos distintos en pacientes más jóvenes. En lugar de aceptar un rendimiento inferior, reentrenaron la IA específicamente con datos pediátricos, lo que mejoró notablemente su capacidad para reconocer la LLA y la LMA infantiles, manteniendo además buenos resultados para los casos pediátricos más raros de LPA. Esto subraya una lección importante: los sistemas de IA destinados a apoyar el diagnóstico deben adaptarse a las poblaciones a las que pretenden servir.

Hacia una atención de la leucemia más rápida y justa

Los autores enfatizan que esta herramienta de IA no sustituye los procedimientos de referencia—el examen microscópico, la citometría de flujo y las pruebas genéticas—que los médicos usan para confirmar el tipo de leucemia y elegir terapias precisas. En cambio, ofrece una forma de señalar subtipos probables de leucemia rápidamente usando pruebas de laboratorio que ya están ampliamente disponibles, incluso en muchos países de renta baja y media. Al refinar el modelo para manejar hospitales diversos, filtrar predicciones poco fiables y crear una versión pediátrica, el estudio muestra cómo la IA podría ayudar a acortar el tiempo hasta la atención especializada y el tratamiento que salva vidas. El trabajo sienta las bases para futuros ensayos que verifiquen si este tipo de apoyo a la decisión puede reducir realmente las muertes tempranas, acercando los beneficios de la atención moderna de la leucemia a los pacientes independientemente de dónde vivan.

Cita: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

Palabras clave: leucemia aguda, inteligencia artificial, apoyo diagnóstico, equidad en salud, pruebas de laboratorio