Modelos de aprendizaje automático interpretable usando biomarcadores sanguíneos periféricos para el diagnóstico y pronóstico del carcinoma escamocelular glótico de la laringe

Por qué un simple análisis de sangre podría ayudar a proteger tu voz

El cáncer glótico de laringe afecta las cuerdas vocales y puede poner en riesgo tanto el habla como la vida; sin embargo, a menudo resulta difícil distinguirlo de problemas de la voz no peligrosos antes de la cirugía. Este estudio explora si los mismos análisis de sangre rutinarios que muchas personas reciben antes de una operación o chequeo pueden combinarse con algoritmos informáticos modernos para detectar tumores peligrosos antes y estimar cómo podría evolucionar un paciente tras el tratamiento, todo ello sin exploraciones adicionales ni procedimientos invasivos.

Buscando pistas de cáncer en análisis de sangre cotidianos

Los investigadores se centraron en hombres con problemas en las cuerdas vocales, comparando tres grupos: 124 pacientes con cáncer de las cuerdas vocales, 124 pacientes con lesiones benignas de las cuerdas vocales y 124 voluntarios sanos. Para todos ellos recogieron medidas sanguíneas preoperatorias estándar que reflejan inflamación (como los recuentos de glóbulos blancos), tendencia a la coagulación (como fibrinógeno y tiempos de coagulación) y estado nutricional (como la albúmina, una proteína sanguínea clave). Dado que estas pruebas ya forman parte de la atención hospitalaria rutinaria, cualquier hallazgo sería fácil de aplicar de forma amplia y a bajo coste.

Enseñar a las máquinas a distinguir lo dañino de lo inofensivo

Para convertir este mar de números en orientación práctica, el equipo empleó dos métodos populares de aprendizaje automático, conocidos como Random Forest y XGBoost. Estos programas aprenden patrones a partir de los datos, de forma parecida a cómo un filtro de spam aprende a separar el correo basura de los mensajes genuinos. Aquí, el objetivo era distinguir el cáncer de las alteraciones benignas de la voz usando únicamente resultados de análisis de sangre. Tras el entrenamiento y la validación cruzada en la mayor parte de los pacientes, los modelos se probaron en un grupo separado. El modelo XGBoost, en particular, tuvo un rendimiento muy bueno, distinguiendo correctamente cáncer de no cáncer en la mayoría de los casos, con una medida de precisión (AUC) de 0,93—alta para una prueba no invasiva basada únicamente en análisis de laboratorio rutinarios.

Haciendo comprensible la caja negra para los médicos

Los modelos informáticos suelen ser criticados por ser cajas negras, pero este trabajo utilizó un método llamado SHAP para mostrar qué marcadores sanguíneos impulsaban las predicciones. Las señales más importantes fueron medidas vinculadas a la coagulación sanguínea y a la actividad inmune: la razón internacional normalizada (INR), el fibrinógeno, el tiempo de trombina y cocientes que comparan diferentes tipos de glóbulos blancos (cociente neutrófilo-macrófago y cociente linfocito-macrófago). En general, los pacientes con cáncer tendían a presentar más signos de inflamación y un organismo predispuesto a formar coágulos, junto con cambios en el equilibrio de las células inmunitarias. Los investigadores incluso construyeron una herramienta visual de puntuación sencilla, basada en los marcadores principales, para que los clínicos pudieran estimar el riesgo individual de cáncer de un paciente junto a la cama.

Señales sanguíneas que reflejan la agresividad del cáncer

Más allá del diagnóstico, el estudio investigó si los marcadores sanguíneos reflejan cuán peligroso es un tumor. Al vincular los resultados sanguíneos con detalles de los informes de patología quirúrgica, el equipo encontró que ciertos índices combinados—especialmente el índice sistémico de inflamación inmune (SII) y varios cocientes de recuento celular—aumentaban en paralelo con tumores más grandes, diseminación a ganglios linfáticos y estadios globales más altos. Un marcador, el cociente neutrófilo-plaqueta, se asoció fuertemente con la invasión perineural por células cancerosas, una característica preocupante vinculada a la recurrencia. Durante un seguimiento medio de aproximadamente cuatro años y medio, los pacientes con recuentos de neutrófilos más altos, un cociente neutrófilo-linfocito elevado y un SII alto tuvieron peor evolución, con más recaídas y muertes.

Qué podría significar esto para pacientes y clínicos

En pocas palabras, esta investigación muestra que una “instantánea” bien analizada de la sangre de un paciente puede revelar mucho más de lo que sugieren los informes de laboratorio rutinarios. Al combinar pruebas familiares con herramientas de aprendizaje automático interpretables, los médicos podrían pronto decidir mejor qué pacientes con ronquera necesitan urgentemente una biopsia, qué cánceres probablemente se comportarán de forma agresiva y quién podría beneficiarse de un seguimiento más estrecho o de terapia adicional. Aunque el estudio fue retrospectivo y se limitó a hombres de una sola región—por lo que necesita confirmación en grupos más amplios—traza un camino práctico y de bajo coste hacia una atención más personalizada y basada en datos para personas con sospecha o diagnóstico de cáncer de las cuerdas vocales.

Cita: Zhang, Y., Yan, X., Li, X. et al. Interpretable machine learning models using peripheral blood biomarkers for diagnosis and prognosis of glottic laryngeal squamous cell carcinoma. Sci Rep 16, 10451 (2026). https://doi.org/10.1038/s41598-026-40074-9

Palabras clave: cáncer de laringe, biomarcadores sanguíneos, aprendizaje automático, pronóstico del cáncer, inflamación inmune