PROTEGER en Journal of Geriatric Oncology: el modelo que aprende del Telecomité Oncogeriátrico y se valida en centros externos

Es el artículo científico que da sustento a PROTEGER. Publicado como research letter en Journal of Geriatric Oncology, la revista de referencia de la Sociedad Internacional de Oncología Geriátrica, describe cómo desarrollamos y validamos externamente un modelo de aprendizaje automático que integra datos oncológicos y de valoración geriátrica integral para apoyar la decisión de terapia sistémica en personas mayores con cáncer. Lo firma el equipo completo de Oncoger —Gonzalo Navarrete, Gabriel Martínez, Claudio Barrientos y Rodrigo Venegas— junto a colaboradores del Hospital Dr. Franco Ravera Zunino, la Universidad de Chile, la Universidad Mayor, el Hospital Clínico de la Universidad de Chile, Hospital Digital del Ministerio de Salud y el University Medical Centre Utrecht. El estudio siguió la guía TRIPOD-AI y está registrado en ISRCTN.

El punto de partida

Chile tiene menos de 200 geriatras para todo el país, y el cáncer es ya la primera causa de muerte. El Telecomité Oncogeriátrico que el Ministerio de Salud lanzó en 2021 permite que equipos de oncología de cualquier región presenten a distancia casos de personas mayores con tumores sólidos ante un panel de expertos, pero su capacidad de escalar está limitada por la escasez de especialistas. La pregunta del estudio fue si un modelo entrenado con las decisiones de ese comité podía reproducir su criterio y, con ello, ayudar a estandarizar y extender esas decisiones a centros que no tienen acceso a él.

Cómo se construyó

La cohorte de desarrollo reunió a 357 adultos de 65 años o más con tumores sólidos evaluados por el Telecomité (mediana de edad 78 años, 50% hombres, 39% con cáncer gastrointestinal). Para cada paciente se recogieron variables oncológicas y de valoración geriátrica: Clinical Frailty Scale, ECOG, puntaje de toxicidad CARG, tipo y etapa del tumor, actividades básicas e instrumentales de la vida diaria, SPPB, comorbilidad de Charlson, caídas, depresión (GDS), cognición (MMSE), número de fármacos, IMC e intención de tratamiento. El desenlace principal fue la recomendación del comité sobre terapia sistémica. Se entrenaron random forest, XGBoost, regresión logística, árbol de decisión y un modelo ensamble por stacking, con optimización bayesiana de hiperparámetros y validación cruzada de cinco pliegues, y se validaron en 272 pacientes de dos centros terciarios de otras regiones del país, evaluados entre 2021 y 2025.

Qué encontró

El modelo ensamble alcanzó un AUC de 0,84 (IC95% 0,78–0,89) en la validación externa, con random forest y regresión logística en 0,82 y XGBoost en 0,78. Las variables que más pesaron en la recomendación fueron la Clinical Frailty Scale, el ECOG, el puntaje de toxicidad CARG, las actividades básicas de la vida diaria y el diagnóstico oncológico. Y, como era esperable, los pacientes clasificados como no aptos eran mayores y tenían un perfil geriátrico menos favorable: menor SPPB, más comorbilidad, más caídas, mayor fragilidad, menor autonomía y mayor riesgo de toxicidad.

Lo más relevante clínicamente es que la clasificación separa grupos con sobrevida muy distinta. Según la decisión del equipo oncogeriátrico, la mediana de sobrevida fue de 765 días en quienes se consideraron aptos para terapia sistémica y de 275 en los no aptos (p < 0,001). El modelo reproduce esa separación: 522 frente a 358 días en el conjunto, y en etapa IV 335 frente a 146 días (p < 0,001).

Qué significa para el sistema de salud

Los autores plantean que un modelo así puede ayudar a identificar a las personas mayores con cáncer de alto riesgo para quienes un cuidado alternativo es más apropiado, reduciendo tratamientos innecesarios y toxicidad por quimioterapia, acortando listas de espera y aliviando la presión financiera de los sistemas públicos. En pacientes con enfermedad en etapa IV considerados no aptos, además, puede ser el gatillo para las conversaciones sobre enfermedad grave que alinean la decisión médica con los valores, metas y preferencias del paciente. También podría mejorar la selección de personas mayores para ensayos clínicos, un grupo históricamente subrepresentado y con mayores tasas de abandono por eventos adversos.

El artículo es explícito en sus límites: es una evaluación exploratoria y retrospectiva, requiere una valoración geriátrica completa que no todos los centros pueden hacer, las diferencias de sobrevida pueden estar confundidas por el tratamiento efectivamente recibido, y existe el riesgo de sesgo de automatización en ambas direcciones. Una validación prospectiva está en curso. Y la regla es una sola: PROTEGER es estrictamente una herramienta de apoyo; la responsabilidad final permanece en el médico tratante y el equipo multidisciplinario.

Las recomendaciones de tratamiento basadas en aprendizaje automático para personas mayores con cáncer podrían optimizar el uso de la terapia sistémica, reducir costos, mejorar la calidad de vida, gatillar conversaciones sobre enfermedad grave y mejorar el acceso a cuidados paliativos, en beneficio tanto de las personas como de los sistemas públicos de salud.