Biopsia líquida con IA: preparación previa de la muestra

Si el plasma se ha separado tarde, si el ADN se ha degradado durante el transporte o si la cantidad de ADN tumoral circulante es demasiado baja, la secuenciación puede producir un resultado técnicamente correcto, pero clínicamente poco útil. El problema no siempre está en el algoritmo molecular: con frecuencia empieza en la calidad biológica de la muestra.

Por eso, cuando hablamos de biopsia líquida con IA y preparación de muestras, no estamos describiendo una máquina que convierta cualquier tubo de sangre en una prueba diagnóstica válida. La inteligencia artificial se está incorporando, sobre todo, como una capa de evaluación y control: ayuda a reconocer artefactos, estimar si existe suficiente material tumoral y separar señales relevantes de interferencias que podrían conducir a una interpretación errónea.

En la práctica diaria, este cambio obliga a mirar el proceso completo. La extracción de sangre, el tipo de tubo, el tiempo hasta la centrifugación, la conservación del plasma, la purificación del ADN y la decisión de continuar o detener el análisis forman parte del mismo reto asistencial. Nosotros los clínicos necesitamos que la tecnología facilite ese circuito, no que añada una nueva caja negra al laboratorio.

El desafío de la estandarización preanalítica en biopsia líquida

La biopsia líquida analiza material biológico liberado por los tumores en fluidos como la sangre, el líquido cefalorraquídeo u otros biofluidos. En el caso de la sangre, uno de los objetivos habituales es estudiar el ADN tumoral circulante, conocido como ADNtc, que se encuentra mezclado con fragmentos de ADN procedentes de células sanas.

La proporción de ADN tumoral puede ser muy reducida, especialmente en fases tempranas de la enfermedad o en tumores con baja liberación de material genético al torrente sanguíneo. En ese contexto, cualquier variación previa al análisis puede alterar la relación entre señal y ruido. Una muestra que llega hemolizada, contaminada con ADN procedente de leucocitos o procesada después de un intervalo demasiado largo puede generar una lectura difícil de interpretar.

El término preanalítica resume todas las operaciones que se realizan antes del análisis molecular propiamente dicho:

• preparación del paciente y extracción de la muestra;
• selección y llenado adecuado del tubo;
• identificación y trazabilidad;
• transporte hasta el laboratorio;
• control del tiempo y la temperatura;
• separación del plasma;
• centrifugación y retirada de restos celulares;
• extracción y purificación del ADN libre circulante;
• valoración de la cantidad y de la calidad del material obtenido.

La dificultad es que no existe todavía un único protocolo preanalítico universal, basado en inteligencia artificial, aprobado globalmente para todos los tipos de muestras y tumores. Los centros pueden trabajar con procedimientos distintos y, aunque dos laboratorios empleen técnicas de secuenciación comparables, las condiciones previas pueden no ser equivalentes.

La IA no arregla una muestra que nunca tuvo información tumoral suficiente; ayuda a reconocerlo antes de gastar tiempo, reactivos y decisiones clínicas en un resultado no informativo.

La inteligencia artificial puede comparar múltiples variables que, observadas por separado, parecen menores: el tiempo transcurrido desde la extracción, los perfiles de fragmentación, la distribución de tamaños del ADN, los signos de hemólisis o la proporción esperada de ADN tumoral. Su valor aparece cuando integra esas señales y las convierte en una decisión operativa: continuar, repetir, solicitar una nueva muestra o interpretar el resultado con una cautela adicional.

Qué debe quedar registrado antes de secuenciar

Para que un modelo sea útil, necesita datos de entrada consistentes. No basta con almacenar el resultado final de la secuenciación; el sistema debe conocer cómo se obtuvo la muestra y qué ocurrió durante su recorrido.

En un circuito asistencial bien documentado, conviene registrar al menos:

1. Momento exacto de la extracción y de la recepción. El tiempo entre ambos puntos puede condicionar la liberación de ADN de los leucocitos y modificar el perfil de la muestra.

2. Tipo de tubo y condiciones de transporte. Los tubos no tienen necesariamente la misma función ni ofrecen la misma estabilidad para todos los usos de biopsia líquida.

3. Aspecto macroscópico del plasma. La hemólisis, la turbidez o la presencia de restos celulares pueden actuar como señales de riesgo, aunque por sí solas no determinen la inutilidad de la muestra.

4. Volumen inicial y volumen recuperado. En sistemas automatizados de purificación de ADN libre circulante se procesan, según el sistema y el protocolo, volúmenes aproximados de entre 1 y 10 mililitros.

5. Rendimiento y calidad del ADN extraído. Una concentración total elevada no significa necesariamente que exista una fracción tumoral suficiente.

6. Incidencias del procesamiento. Una centrifugación repetida, una demora no prevista o una descongelación accidental deben formar parte de la historia de la muestra.

Este registro no es burocracia de laboratorio. Es el contexto que permite al algoritmo interpretar una señal con criterio y al equipo clínico entender por qué un resultado negativo puede ser tranquilizador, dudoso o sencillamente no informativo.

Cómo utiliza la IA la información de la muestra

En la preparación de una biopsia líquida, la inteligencia artificial puede intervenir en varios momentos. Algunos modelos estiman la fracción de ADN tumoral libre; otros analizan patrones de fragmentación o detectan perfiles que no encajan con una muestra biológicamente fiable. En ambos casos, el objetivo es reducir las pruebas innecesarias y evitar que un artefacto se confunda con una señal oncológica.

El flujo asistido por IA suele seguir una secuencia parecida:

El proyecto PREDICTF, desarrollado por la Universitat Politècnica de València y la Fundación de Investigación del Hospital General de Valencia, trabaja precisamente en esta dirección. Sus modelos de aprendizaje automático buscan estimar la fracción de ADN tumoral libre e identificar muestras de biopsia líquida que no contienen suficiente información biológica fiable.

La utilidad clínica de este enfoque no consiste únicamente en obtener más resultados positivos. En ocasiones, el mejor resultado que puede proporcionar un sistema es advertir de que una muestra no permite extraer conclusiones robustas. Esa advertencia temprana puede evitar una secuenciación que terminaría clasificada como no informativa y facilitar una nueva extracción en un momento más adecuado.

El error frecuente: confundir cantidad con utilidad

Una muestra puede contener bastante ADN total y, aun así, muy poco ADN tumoral. La mayor parte del material genético puede proceder de células sanguíneas sanas. Por eso, medir únicamente la cantidad de ADN no resuelve el problema.

La IA puede aportar una lectura más completa al combinar:

• cantidad total de ADN libre circulante;
• tamaños y distribución de los fragmentos;
• patrones de fragmentación;
• posible contaminación por ADN leucocitario;
• datos clínicos y características del tumor;
• antecedentes de tratamiento o de progresión;
• calidad técnica de la extracción.

Aun así, el modelo no sustituye a la valoración del laboratorio. Una predicción de baja suficiencia biológica debe activar una revisión, no convertirse automáticamente en un diagnóstico. Nuestra práctica clínica necesita conservar una vía clara para que el especialista pueda comprobar qué variables han conducido a esa clasificación y si existen circunstancias particulares que el algoritmo no ha contemplado.

Detección de eventos raros: encontrar una señal entre miles de células

La detección de células tumorales circulantes es otro campo en el que la inteligencia artificial puede facilitar la preparación y el análisis inicial de la muestra. Estas células pueden aparecer en concentraciones muy bajas y compartir características con células sanguíneas normales. El desafío es identificar un evento raro sin imponer previamente una descripción demasiado rígida de cómo debe ser una célula tumoral.

El algoritmo RED, desarrollado por investigadores de la University of Southern California, utiliza aprendizaje profundo para analizar células sanguíneas y localizar células tumorales circulantes atípicas. Según los datos disponibles, puede realizar el procesado en aproximadamente diez minutos, con una tasa de detección del 99 % en la localización de esas células atípicas.

Este tipo de herramienta resulta interesante porque desplaza el enfoque desde una lista fija de rasgos hacia el reconocimiento de patrones complejos. Sin embargo, una tasa elevada de detección no elimina la necesidad de confirmar el hallazgo. La identificación de una célula sospechosa puede orientar el análisis, pero no equivale por sí sola a confirmar una recaída, establecer el origen del tumor o seleccionar un tratamiento.

En la práctica diaria, el equipo debe distinguir tres preguntas diferentes:

1. ¿Ha localizado el sistema una célula o un patrón atípico?

2. ¿Ese hallazgo es reproducible y técnicamente fiable?

3. ¿Tiene significado clínico en el contexto de ese paciente?

Cuando mezclamos estas tres capas, aparece uno de los riesgos más habituales de la IA aplicada al diagnóstico: convertir una señal de cribado en una conclusión clínica definitiva. La tecnología puede acompañar la primera detección y facilitar la revisión, pero la interpretación exige integrar anatomía patológica, imagen, datos moleculares y evolución del paciente.

Qué cambia respecto al proceso tradicional

En un circuito tradicional, la revisión de células o perfiles moleculares depende en gran medida de criterios establecidos por el laboratorio y de la experiencia del profesional. Ese conocimiento sigue siendo esencial, pero puede verse limitado cuando el volumen de datos aumenta o cuando las diferencias entre una célula normal y una atípica son muy sutiles.

Con un flujo asistido por IA, el proceso puede organizarse de otra manera:

• el sistema prioriza las imágenes o eventos que merecen una revisión experta;
• agrupa patrones similares para reducir la variabilidad entre observadores;
• marca muestras con comportamiento anómalo;
• ofrece una estimación de confianza o de calidad;
• conserva la trazabilidad de los hallazgos para una segunda lectura.

El beneficio no es retirar al facultativo del circuito, sino reservar mejor su tiempo para los casos que requieren interpretación. Nosotros seguimos siendo quienes relacionamos el resultado con la historia oncológica, la sospecha diagnóstica, la imagen y las alternativas terapéuticas.

Diferenciar ADN tumoral de hematopoyesis clonal

Uno de los problemas más delicados de la biopsia líquida es que no todas las mutaciones detectadas en el plasma proceden del tumor. Algunas pueden originarse en células sanguíneas debido a fenómenos de hematopoyesis clonal. Si no se separan ambas fuentes, una alteración propia de los leucocitos puede interpretarse como una mutación tumoral.

Esta confusión tiene consecuencias prácticas. Puede hacer parecer que existe una determinada alteración molecular en el cáncer cuando, en realidad, la señal procede de la sangre periférica. También puede complicar la monitorización de la enfermedad mínima residual o la evaluación de la respuesta al tratamiento.

El modelo plasmaCHORD, desarrollado por investigadores del Johns Hopkins Kimmel Cancer Center, analiza perfiles de fragmentación del ADN libre circulante para ayudar a distinguir mutaciones procedentes del tumor de aquellas relacionadas con la hematopoyesis clonal. La idea es importante porque no se basa únicamente en preguntar qué mutación aparece, sino en estudiar cómo se comporta el material genético que la contiene.

Para el equipo asistencial, esto introduce una forma más contextual de interpretar la secuenciación:

• una mutación aislada no debe separarse del perfil completo de fragmentación;
• la señal molecular debe compararse con la información clínica disponible;
• el resultado necesita una valoración conjunta con genética y oncología;
• la ausencia de una señal tumoral no descarta enfermedad cuando la fracción de ADNtc es muy baja;
• la clasificación algorítmica debe poder revisarse y documentarse.

En oncología predictiva, detectar una alteración es solo el principio; el trabajo verdaderamente clínico consiste en averiguar de dónde procede y qué significa para esa persona.

La IA puede ayudar a reducir falsos positivos y a ordenar la información, pero no elimina la complejidad biológica. La hematopoyesis clonal, la carga tumoral, el tratamiento recibido y el momento de la extracción pueden modificar el resultado. La misma alteración puede tener interpretaciones muy distintas según el contexto.

Validar si una muestra tiene suficiente información biológica

La decisión de continuar con una secuenciación no debería depender exclusivamente de que el tubo haya llegado al laboratorio o de que el sistema haya logrado extraer algún ADN. La pregunta útil es otra: ¿la muestra tiene posibilidades razonables de producir un resultado interpretable?

Los modelos de IA pueden estimar esa probabilidad a partir de datos preanalíticos y moleculares. En este punto, conviene separar tres escenarios:

Muestra adecuada

El material obtenido cumple los parámetros técnicos y presenta una señal compatible con la finalidad del análisis. En este caso, el laboratorio puede continuar con la secuenciación siguiendo su protocolo habitual, dejando registrada la evaluación de calidad.

Muestra limitada

Existe material genético, pero la fracción tumoral esperada es baja o aparecen factores que pueden dificultar la interpretación. La secuenciación puede ser posible, aunque el informe deberá reflejar sus limitaciones y el equipo clínico tendrá que valorar si un resultado negativo sería concluyente.

Muestra no informativa

La cantidad, la calidad o el patrón biológico no permiten esperar una lectura fiable. Aquí el sistema debería facilitar una decisión clara: repetir la extracción, utilizar otro biofluido, recurrir a tejido tumoral o escoger una técnica complementaria.

Este último escenario es especialmente relevante en la detección precoz de cáncer mediante IA. Cuando buscamos señales tempranas, la cantidad de ADN tumoral suele ser menor y el riesgo de interpretar como ausencia de enfermedad lo que en realidad es una muestra insuficiente aumenta. Un resultado negativo no puede interpretarse igual si la muestra era robusta que si el algoritmo había advertido de una baja capacidad informativa.

Una revisión práctica antes de autorizar el análisis

Sin convertir el proceso en un formulario rígido, nosotros podemos utilizar una secuencia de revisión como esta:

1. Confirmar la trazabilidad. La identificación del paciente, el tipo de muestra y los tiempos registrados deben ser coherentes.

2. Revisar el estado preanalítico. Una demora, una temperatura inadecuada o signos de hemólisis pueden cambiar la fiabilidad del resultado.

3. Comprobar el volumen y la recuperación. Una extracción técnicamente realizada no garantiza que el volumen final sea suficiente para todo el circuito.

4. Valorar el ADN total y su perfil. La cantidad debe interpretarse junto con la fragmentación y el posible origen celular.

5. Leer la predicción del modelo en contexto. La IA puede señalar riesgo o suficiencia, pero no reemplaza el criterio del laboratorio.

6. Definir qué se hará ante un resultado negativo. Si la muestra tiene baja fracción tumoral, el informe debe dejar claro que un negativo puede no excluir la enfermedad.

7. Documentar la decisión. La trazabilidad permite aprender de las muestras fallidas y mejorar el circuito del centro.

La clave está en que la IA intervenga antes de que el resultado molecular llegue a la historia clínica como si fuera una verdad independiente de sus condiciones de obtención.

De la muestra individual al riesgo de recaída

La preparación preanalítica no es un asunto aislado del laboratorio. Cuando la biopsia líquida se utiliza para monitorizar una enfermedad o estimar riesgo de recaída, cada muestra forma parte de una serie temporal. La calidad de una extracción influye en la comparación con las siguientes y puede alterar la lectura de una tendencia.

El proyecto europeo ECLAI integra datos de biopsia líquida, información genómica y datos clínicos para estudiar la predicción del riesgo de recaída en cáncer de endometrio. El consorcio analiza muestras de 370 pacientes, una dimensión que ilustra por qué la IA resulta atractiva: el modelo puede relacionar variables que, revisadas de manera manual y aislada, serían difíciles de integrar.

En este tipo de proyectos, la pregunta no es solamente si el ADN tumoral está presente hoy. También interesa observar:

• si la señal molecular cambia después de una intervención;
• si aparece una alteración que no estaba presente en muestras anteriores;
• si el patrón coincide con la evolución radiológica;
• si existe una discordancia entre la clínica y el resultado de la biopsia líquida;
• si la muestra actual es comparable con las anteriores desde el punto de vista preanalítico.

La predicción de recaída exige especial prudencia. Un algoritmo puede encontrar asociaciones útiles, pero el riesgo estimado no equivale a una recaída confirmada. Tampoco debe utilizarse como sustituto automático de la imagen, la anatomía patológica o la valoración clínica. Su función más razonable es facilitar una vigilancia más ordenada y ayudar a identificar qué pacientes pueden necesitar una revisión más estrecha.

El valor está en combinar capas de información

La oncología predictiva avanza cuando dejamos de tratar cada dato como una pieza aislada. La biopsia líquida aporta una señal molecular dinámica; la imagen muestra la anatomía y la evolución de las lesiones; la historia clínica aporta tratamientos, comorbilidades y respuesta previa. La IA puede ayudar a traducir esos datos a un lenguaje común, siempre que las fuentes sean comparables y estén bien documentadas.

Aquí aparece un reto que a veces queda oculto detrás de los buenos resultados de los modelos: si los datos de entrenamiento proceden de muestras preparadas con protocolos muy distintos, el sistema puede aprender diferencias del proceso en lugar de diferencias propias del tumor. Un modelo que funciona bien en un laboratorio concreto puede necesitar validación antes de incorporarse a otro centro con tubos, tiempos de transporte o equipos diferentes.

Por eso, antes de extender una herramienta de IA a la práctica asistencial, necesitamos responder a cuestiones concretas:

• ¿Con qué tipos de biofluido se ha entrenado?
• ¿Qué tumores y estadios estaban representados?
• ¿Se incluyeron muestras con hemólisis, bajo volumen o degradación?
• ¿Cómo se definió una muestra no informativa?
• ¿Qué ocurre cuando el algoritmo no está seguro?
• ¿Puede el profesional revisar las variables que han influido en la clasificación?
• ¿Se ha validado el sistema fuera del centro donde fue desarrollado?

Qué errores debemos evitar al implantar IA en biopsia líquida

La incorporación de un modelo en el laboratorio puede parecer sencilla si se presenta como una herramienta que clasifica muestras en adecuadas o inadecuadas. En realidad, el cambio afecta a la organización, la comunicación entre servicios y la forma de redactar los informes.

Hay varios errores especialmente frecuentes:

Convertir una predicción en una orden automática

Si el sistema marca una muestra como limitada, la decisión no debería quedar fuera de la supervisión profesional. Puede haber un motivo clínico para continuar, una necesidad urgente o una alternativa que el modelo no conozca. La IA debe facilitar la decisión, no ocultarla.

Utilizar datos preanalíticos incompletos

Un modelo no puede interpretar de forma fiable un tiempo de transporte desconocido o una muestra sin trazabilidad clara. La ausencia de un dato no equivale a una condición normal. En estos casos, la incertidumbre debe permanecer visible.

Tratar todos los negativos como equivalentes

Un resultado negativo en una muestra con buena fracción tumoral y un resultado negativo en una muestra con ADNtc insuficiente no tienen el mismo peso clínico. El informe debe ayudar a distinguirlos.

Confundir detección temprana con diagnóstico definitivo

La identificación de un patrón sospechoso puede servir para priorizar una prueba, una imagen o una revisión multidisciplinar. No debe presentarse como confirmación de cáncer sin la evidencia clínica y patológica correspondiente.

Ignorar la hematopoyesis clonal

Cuando se estudian mutaciones en sangre, el origen de la señal importa. Sin una estrategia para diferenciar ADN tumoral de alteraciones hematopoyéticas, aumenta el riesgo de atribuir al tumor lo que procede de las células sanguíneas.

Suponer que un modelo es universal

La validación debe contemplar el tipo de tumor, el biofluido, la población atendida y las condiciones reales del centro. Un algoritmo entrenado con perfiles de una población concreta puede comportarse de manera distinta en otra.

Cómo debería quedar integrado el flujo asistido por IA

La implantación más útil es la que se adapta al circuito que ya existe y reduce puntos de fricción, en lugar de obligar al personal a duplicar registros o consultar plataformas desconectadas. En nuestra práctica, el sistema debería acompañar el proceso desde la recepción hasta el informe.

Un flujo razonable puede incluir:

1. Recepción digital de la muestra, con identificación, hora de extracción, hora de llegada y condiciones de transporte.

2. Cribado preanalítico, para detectar incidencias visibles o registradas antes de iniciar la purificación.

3. Evaluación de la calidad del ADN, combinando cantidad, fragmentación y posibles señales de contaminación.

4. Estimación de suficiencia tumoral, con una clasificación que incluya el grado de incertidumbre.

5. Revisión profesional de las excepciones, especialmente en muestras urgentes, pediátricas, de bajo volumen o con resultados discordantes.

6. Secuenciación y análisis molecular, solo cuando el material sea adecuado para la finalidad prevista.

7. Informe contextualizado, que indique las limitaciones de la muestra y no solo el listado de variantes.

8. Seguimiento longitudinal, comparando muestras sucesivas sin olvidar las diferencias en su preparación.

La comunicación entre laboratorio, oncología, anatomía patológica, genética y radiología es esencial. Si cada servicio recibe únicamente una parte de la información, la ventaja de integrar datos mediante IA se pierde justo en el momento de tomar decisiones.

Qué podemos esperar a corto plazo

La inteligencia artificial aplicada a la preparación de biopsia líquida seguirá evolucionando en tres direcciones. La primera será el control más fino de la calidad preanalítica, con modelos capaces de detectar combinaciones de incidencias que no son evidentes mediante una revisión convencional. La segunda será la discriminación entre señales tumorales y alteraciones procedentes de la sangre. La tercera consistirá en integrar la información molecular con datos clínicos para monitorizar la respuesta y el riesgo de recaída.

Pero el avance no dependerá solamente de crear modelos más complejos. También necesitaremos protocolos de recogida más homogéneos, datos bien anotados y criterios compartidos para definir qué significa que una muestra sea informativa. Sin esa base, el algoritmo puede ofrecer una respuesta muy precisa a una pregunta mal planteada.

En la práctica diaria, el reto asistencial consiste en traducir la capacidad técnica de la IA a decisiones comprensibles: repetir o no repetir la extracción, secuenciar o no secuenciar, confiar en un negativo o buscar confirmación, interpretar una mutación como tumoral o valorar una posible hematopoyesis clonal. Son decisiones clínicas, aunque estén apoyadas por modelos computacionales.

La biopsia líquida con IA no empieza cuando aparece el informe de secuenciación. Empieza mucho antes, en el momento en que decidimos cómo recoger, transportar y preparar una muestra que contiene una señal escasa y vulnerable. Si la inteligencia artificial consigue hacer visible esa fragilidad, filtrar artefactos y acompañar al equipo en la selección de muestras fiables, estará aportando un valor real.

No se trata de sustituir la centrifugación, los reactivos ni la experiencia del laboratorio. Se trata de llegar al análisis molecular con una muestra mejor comprendida y, por tanto, con una interpretación clínica más honesta.