Un modelo de IA vincula la resistencia a la insulina con 12 tipos de cáncer en un estudio de medio millón de personas

Investigadores liderados por la University of Tokyo utilizaron un modelo de aprendizaje automático para demostrar que la resistencia a la insulina es un factor de riesgo para 12 tipos de cáncer en un estudio de medio millón de participantes del UK Biobank, lo que ofrece la primera evidencia a escala poblacional de este vínculo, sospechado desde hace tiempo. Los hallazgos se publicaron en Nature Communications en un artículo titulado "Machine learning-predicted insulin resistance is a risk factor for 12 types of cancer".

La resistencia a la insulina—cuando el organismo no responde adecuadamente a la insulina, una hormona que ayuda a controlar los niveles de glucosa en sangre—es una de las causas fundamentales de la diabetes tipo 2 y está estrechamente asociada con la obesidad. Además de la diabetes, se sabe ampliamente que la resistencia a la insulina puede provocar enfermedades cardiovasculares, renales y hepáticas. A pesar de su amplio impacto, medir directamente la resistencia a la insulina en entornos clínicos ha sido notoriamente difícil, lo que ha limitado la capacidad de los investigadores para comprender plenamente sus consecuencias.

Ese desafío llevó a Yuta Hiraike, investigador del University of Tokyo Hospital, y a sus colegas de la University of Tokyo a recurrir a la inteligencia artificial. El equipo desarrolló recientemente una herramienta de aprendizaje automático llamada AI-IR, que predice la resistencia a la insulina utilizando nueve mediciones clínicas estándar recopiladas durante los chequeos de salud rutinarios. "Recientemente creamos una herramienta, AI-IR, para predecir la resistencia a la insulina en individuos a partir de nueve datos médicos diferentes", dijo Hiraike. "Tuvo éxito y nos hizo pensar que podríamos aplicar esta herramienta a preocupaciones relacionadas".

Una de esas preocupaciones era el cáncer. Aunque los científicos han sospechado durante mucho tiempo una relación entre la resistencia a la insulina y ciertos cánceres, reunir evidencia a gran escala ha sido difícil porque la medición directa requiere pruebas especializadas disponibles solo en clínicas avanzadas de diabetes. Si bien se ha sugerido un posible vínculo entre la resistencia a la insulina y el cáncer, la evidencia a gran escala ha sido limitada debido a la dificultad de evaluar la resistencia a la insulina en la clínica. Al aplicar AI-IR a 500,000 participantes del UK Biobank, el equipo pudo estimar la resistencia a la insulina a nivel poblacional y examinar su relación con la incidencia de cáncer.

"Con AI-IR, hemos proporcionado la primera evidencia a escala poblacional de que la resistencia a la insulina es un factor de riesgo de cáncer", afirmó Hiraike. Debido a que el modelo se basa en datos clínicos rutinarios, añadió, "AI-IR podría implementarse fácilmente para identificar a individuos de alto riesgo y permitir un cribado focalizado de diabetes, enfermedad cardiovascular y cáncer".

El estudio también pone de relieve las limitaciones de depender del índice de masa corporal (BMI) como sustituto de la salud metabólica. Actualmente es común que el BMI, una medida de la grasa corporal, se utilice para predecir la resistencia a la insulina de una persona y la consiguiente susceptibilidad a cánceres relacionados. Pero esto conlleva falsos positivos, en los que algunas personas con obesidad se consideran metabólicamente sanas y no sufren los efectos nocivos de la obesidad en el mismo grado que otras, y falsos negativos, en los que personas con un BMI ideal acaban padeciendo resistencia a la insulina o problemas relacionados que suelen asociarse con la obesidad. Al combinar nueve parámetros clínicos en una sola métrica, AI-IR puede detectar resistencia a la insulina que el BMI por sí solo no puede explicar.

Parte del reto al que se enfrentaron Hiraike y su equipo fue convencer a los revisores del artículo de que AI-IR podía superar estas limitaciones de una manera fiable y repetible. Afortunadamente, demostraron no solo su capacidad predictiva, sino también que su modelo es robusto en diversas condiciones. "Cuando se comparó con la resistencia a la insulina medida directamente en conjuntos de datos de validación, AI-IR logró un sólido rendimiento predictivo", dijo Hiraike. "Medir directamente la resistencia a la insulina es poco práctico salvo en aquellos casos en los que los pacientes son atendidos en clínicas especializadas en diabetes. AI-IR proporciona una alternativa robusta y escalable para evaluar la resistencia a la insulina a escala poblacional".

Ahora el equipo planea explorar cómo las diferencias genéticas influyen en el riesgo de cáncer relacionado con la resistencia a la insulina e integrar datos humanos a gran escala con estudios de biología molecular. "Ahora estamos trabajando para comprender cómo las diferencias genéticas entre individuos influyen en este riesgo y, en última instancia, vincular datos humanos a gran escala con estudios de biología molecular para desarrollar mejores estrategias para superar la resistencia a la insulina", dijo Hiraike.