Antecedentes del estudio
Con la expansión de las pruebas de biomarcadores y el aumento de la edad de los pacientes con cáncer, los informes de patología se han vuelto más largos y complejos. A menudo ocupan decenas de páginas e incluyen resultados de varias instituciones. Ese volumen de información añade una carga considerable a los médicos que deben preparar resúmenes clínicos bajo presión de tiempo.
Un nuevo estudio de Northwestern Medicine, publicado en JCO Clinical Cancer Informatics, evaluó seis modelos lingüísticos de código abierto en la tarea de resumir informes de patología del cáncer y comparó sus resultados con resúmenes escritos por médicos.
Metodología y resultados
Los investigadores analizaron 94 informes desidentificados de pacientes con cáncer de pulmón. Los informes incluían hallazgos histológicos, inmunohistoquímica y datos moleculares y genéticos relacionados con el tratamiento. Se pidió a los modelos lingüísticos que generaran resúmenes estructurados; después, un equipo de oncólogos los comparó con los resúmenes originales de los médicos.
Los seis modelos evaluados fueron Llama 3.0, 3.1 y 3.2 de Meta, Gemma 9B de Google, Mistral 7.2B y DeepSeek-R1. Todos son modelos de código abierto que pueden ejecutarse localmente.
El resultado: los resúmenes generados por IA fueron más completos de forma constante, con una diferencia clara en la inclusión de hallazgos moleculares y genómicos. El mejor rendimiento correspondió a DeepSeek-R1 y Llama 3.1.
Por qué importa para el patólogo
La mayor brecha apareció en la captura de hallazgos moleculares, en concreto los datos que cambian las decisiones terapéuticas. En la práctica diaria, un solo detalle omitido en un informe largo puede significar perder una oportunidad de tratamiento. Este estudio indica que los modelos lingüísticos pueden funcionar como una capa adicional de verificación para reducir el riesgo de que se pierda un resultado con impacto clínico.
La aplicación práctica no exige una infraestructura enorme. Los modelos de código abierto pueden ejecutarse localmente, lo que permite usarlos dentro del entorno hospitalario sin enviar datos de pacientes a servicios externos en la nube. El equipo de Northwestern trabaja ahora en una aplicación basada en Llama 3.1 que permitirá a los médicos cargar informes y recibir resúmenes inmediatos.
Notas importantes
El estudio se limitó a 94 informes de cáncer de pulmón. La generalización a otros tipos tumorales requiere pruebas adicionales. La aplicación todavía está en fase de evaluación y aún no se ha incorporado al uso clínico. Los investigadores subrayan que el objetivo es apoyar al médico, no reemplazarlo.
Fuente: Toward Automating the Summarization of Cancer Pathology Reports Using Large Language Models to Improve Clinical Usability – JCO Clinical Cancer Informatics