Modelo de aprendizaje automático promete mejorar precisión de pruebas de metanefrinas

Los feocromocitomas y los paragangliomas son tumores poco frecuentes que se forman en las glándulas suprarrenales o cerca de ellas y provocan una sobreproducción de hormonas del estrés. Las metanefrinas libres en plasma son la prueba recomendada de primera línea, pero elevaciones leves en personas sin estos tumores pueden generar falsos positivos y dar lugar a seguimiento innecesario.

Para mejorar la interpretación, los laboratorios están investigando enfoques de aprendizaje automático que contextualizan los resultados y mejoran la precisión para descartarlos. Nuevos hallazgos demuestran cómo estos modelos pueden tanto mejorar como complicar la interpretación de las pruebas de metanefrinas en la atención rutinaria.

Investigadores del Samsung Medical Center (Seúl, Corea del Sur) probaron varios algoritmos de aprendizaje automático para complementar la prueba de metanefrinas libres en plasma en casos de sospecha de feocromocitoma y paraganglioma (PPGL). El enfoque combinó las mediciones de metanefrinas con datos estructurados de la historia clínica electrónica (HCE) para reducir los resultados falsos positivos. Entre las variables descritas en el análisis se incluyeron biomarcadores renales y urinarios, perfiles de medicación y la presencia de otras enfermedades.

En una cohorte de práctica clínica, el equipo analizó datos de 20.516 adultos que se sometieron a pruebas de metanefrinas en el Samsung Medical Center entre 2011 y 2024. De los 19.797 pacientes a los que finalmente se determinó que no tenían PPGL, el 25,2 % mostró elevaciones de metanefrinas que podrían dar lugar a un resultado falso positivo. Los modelos iniciales de aprendizaje automático sugirieron que integrar el contexto clínico con los resultados de metanefrinas mejoraba la discriminación en la práctica real y parecía elevar el rendimiento de la prueba a un nivel excelente.

Las comprobaciones posteriores revelaron advertencias importantes. Análisis adicionales indicaron que algunas de las mejoras aparentes reflejaban “aprendizaje por atajo” debido a datos faltantes informativos, con modelos que inferían la sospecha clínica según qué pruebas de seguimiento se habían solicitado, en lugar de hacerlo a partir de una señal bioquímica independiente.

Los investigadores subrayaron que el aprendizaje automático debe evaluarse no solo por las métricas de rendimiento principales, sino también por si aprende la señal clínica prevista, lo que pone de relieve la necesidad de validación externa y auditorías cuidadosas. 

Los hallazgos se presentaron en la reunión de 2026 de la Asociación para la Medicina de Diagnóstico y Laboratorio (ADLM) en Anaheim, California (Resumen B-091).

“Después de enviar el resumen, mientras probábamos la aplicación prototipo con el modelo de aprendizaje automático desarrollado, nos dimos cuenta de que parte de la mejora aparente podría reflejar patrones del estudio clínico más que información bioquímica independiente. Análisis adicionales de robustez mostraron que gran parte de la mejora se explicaba por un aprendizaje por atajo a partir de datos faltantes informativos”, dijo Se-eun Koo, una de las coautoras del estudio y becaria de química clínica en el departamento de medicina de laboratorio y genética del Samsung Medical Center en Seúl, Corea del Sur.

“Este estudio muestra que el aprendizaje automático en medicina de laboratorio no debe evaluarse solo por las métricas de rendimiento, sino también por si el modelo está aprendiendo la señal clínica prevista. Por eso la validación externa y las auditorías cuidadosas para detectar el aprendizaje por atajo son tan importantes”, dijo Koo.

Enlaces relacionados
Samsung Medical Center

Visitar la expo >

Miembro Platino

Analizador de coagulación automatizado

Hemolumi H6

Miembro Oro

HISOPOS DE FIBRA FLOCADA

Puritan® Patented HydraFlock®

New

Sistema de análisis de orina totalmente automatizado

DxU 1800 Fully Automated Urinalysis System

CMV CLIA Diagnostic

CLIA CMV IgA Screen Group