Inteligencia artificial y biopsia líquida: el nuevo enfoque frente al cáncer colorrectal precoz

Una revisión publicada en Frontiers por equipos del Krishna Institute of Medical Sciences de Hyderabad y la Universidad de Oxford sitúa la biopsia líquida en sangre combinada con modelos de aprendizaje automático como la vía más plausible para detectar de forma precoz el cáncer colorrectal de aparición temprana, el que se diagnostica antes de los 50 años —precisamente la franja que ningún programa de cribado estructurado está alcanzando de forma sistemática—. Para nuestra práctica diaria, el dato clave no es solo que la incidencia en menores de 50 lleve décadas subiendo, sino que las pruebas sanguíneas aprobadas hoy se han validado sobre todo en cohortes a partir de los 45 años, de modo que su rendimiento en pacientes más jóvenes no puede darse por sentado.

El hueco estructural que deja el cribado

En la consulta llevamos tiempo viendo una presentación que no encaja con los protocolos clásicos: en menores de 50 años el tumor se localiza con más frecuencia en el lado izquierdo y en recto, y aparecen con mayor proporción relativa las histologías en anillo de sello y mucinosas. La supervivencia a cinco años cae desde cerca del 90% en enfermedad localizada hasta aproximadamente un 15% cuando ya hay metástasis, así que la diferencia entre detectarlo a tiempo o no la acaba pagando el paciente, no el sistema. Aquí está el reto asistencial de fondo: la invitación a colonoscopia o a test de sangre oculta en heces rara vez alcanza a quien aún no cumple el umbral de edad, aunque sea precisamente la población en la que más está creciendo la incidencia.

Qué aporta el modelo cuando llega al banco

La revisión describe un flujo que a nosotros los clínicos nos resulta intuitivo: de una sola extracción de plasma se obtiene material tumoral distribuido en cuatro capas moleculares —mutaciones en ctDNA, metilación aberrante, fragmentómica del cfDNA y ARN circulante o exosómico—. Cada capa por separado aporta señal, pero en estadios precoces la abundancia es baja y el ruido de fondo del cfDNA sano domina. Aquí es donde el aprendizaje automático deja de ser decorativo: integra esas capas, suprime el fondo y devuelve una probabilidad calibrada que podemos interpretar y traducir a una decisión de seguimiento, de estratificación de riesgo o de monitorización longitudinal. Su valor operativo es que no depende de preparación intestinal, ni de disponibilidad de endoscopia, ni de adherencia al test en heces, tres cuellos de botella que en la práctica diaria ya conocemos bien.

Qué falta antes de llevarlo a la consulta

El propio artículo señala la deuda de validación pendiente: las pruebas aprobadas e incluidas en guías se han ensayado mayoritariamente en poblaciones de 45 años en adelante, así que extrapolar su rendimiento a menores de esa edad no es razonable sin estudios prospectivos específicos. Mientras esa evidencia no llegue, el modelo en sangre funciona mejor como herramienta de acompañamiento interpretativo que como confirmación diagnóstica autónoma, y conviene reservarlo —al menos en menores de 50 años— a contextos de investigación bien diseñados o a pacientes con sospecha clínica fundada, no como cribado oportunista. El criterio más sensato en el día a día sigue siendo mantener un umbral bajo de sospecha ante síntomas digestivos persistentes en pacientes jóvenes y utilizar la conversación clínica —no solo el algoritmo— para decidir el siguiente paso.