Esta contribución resume el trabajo galardonado con el premio a la mejor Comunicación Oral en las XLIII Jornadas AES.
La Atención Sanitaria Basada en Valor (ASBV) pone a las y los pacientes en el centro del proceso, enfocándose en los resultados que reportan (los famosos PRO o Patient Reported Outcomes) para mejorar el valor de la atención sanitaria. Este trabajo surge dentro de VOICE (Value-based healthcare for Outcomes In breast and lung Cancer in Europe), una comunidad internacional de hospitales que trabaja para llevar la ASBV de la teoría a la práctica para las patologías de cáncer de mama y pulmón.
Aunque la clasificación de pacientes con cáncer de mama se ha basado siempre en subtipos biológicos y moleculares, en el marco de VOICE surgió la necesidad de clasificar a las pacientes de la cohorte de cáncer de mama en arquetipos basados en su trayectoria asistencial, que influye notablemente en los PRO. La idea es que estos arquetipos nos ayuden a entender mejor el comportamiento de cada grupo, asegurar la comparabilidad entre pacientes y, además, permitan al equipo asistencial ofrecer un trato más personalizado. Los arquetipos podrían ayudar también a anticipar situaciones comunes para cada grupo, mejorando así la atención.
Con esto en mente, se planteó un segundo objetivo: desarrollar una herramienta que clasifique automáticamente a nuevas pacientes, recién diagnosticadas, en los arquetipos previamente definidos.
Para abordar este doble objetivo, usamos los datos de 1.860 pacientes diagnosticadas con cáncer de mama en las OSI Ezkerraldea-Enkarterri-Cruces y Donostialdea entre 2019 y 2024.
El 80% de las pacientes (seleccionadas aleatoriamente, por supuesto) se utilizaron para la identificación de arquetipos. Una vez asignamos un arquetipo a estas pacientes, utilizamos sus datos para entrenar la Herramienta de Clasificación automática (HCA). Todo esto lo hicimos con un enfoque de Análisis de Clases Latentes (ACL). El 20% restante de la muestra actuó como ‘nuevas pacientes’ para validar la herramienta. La validación consistió en comparar el arquetipo asignado por nuestra HCA con el que asignaría un modelo tan popular como el Random Forest (un modelo de aprendizaje automático que combina múltiples árboles de decisión).
El resultado: obtuvimos 7 arquetipos que clasifican a las pacientes diagnosticadas con cáncer de mama en función de la edad, el tipo de carcinoma y la combinación terapéutica aplicada a la paciente (considerando la cirugía, quimio, radio y hormonoterapia). Los resultados de la validación de la HCA fueron muy satisfactorios, ya que el 98,5% de las ‘nuevas pacientes’ se clasificaron en el mismo arquetipo con la HCA y con Random Forest.
En conclusión, este estudio no solo ofrece una metodología sólida para identificar arquetipos de pacientes con cáncer de mama, sino que también proporciona una herramienta útil para clasificar automáticamente a nuevas pacientes. Y lo mejor es que esta estrategia se puede aplicar a otras condiciones médicas. Así que, si alguien más está en una situación similar, ¡que no dude en probarla!
Nosotras estamos puliendo detalles e incorporando sugerencias recogidas durante los congresos de este verano y esperamos tener un manuscrito listo para final de año. ¡Que esta entrada sirva como un pequeño adelanto para ir abriendo boca!
