Routine laboratory trajectories encode the onset of organ-level complications in cancer

Resumen Técnico: Las trayectorias de laboratorio rutinarias codifican la aparición de complicaciones a nivel de órganos en el cáncer

Planteamiento del problema
Los pacientes con cáncer avanzado, particularmente aquellos que requieren una terapia multilínea prolongada como el mieloma múltiple y el cáncer de ovario, acumulan progresivamente complicaciones a nivel de órganos en múltiples sistemas. Aunque los paneles de laboratorio de rutina se solicitan en casi cada encuentro clínico, generando registros longitudinales densos de la función orgánica, esta señal temporal permanece ampliamente desaprovechada. Las herramientas pronósticas existentes, como la puntuación CARG o la escala CRASH, dependen de valores previos al tratamiento y no se actualizan a medida que la fisiología cambia ni incorporan las trayectorias de laboratorio a través de múltiples líneas de tratamiento. Además, los modelos actuales específicos de la enfermedad predicen eventos adversos agregados o la supervivencia, en lugar de la aparición de complicaciones individuales asociadas al tratamiento. Existe una falta de modelos que apliquen trayectorias de laboratorio puras a la estimación de riesgo resuelto por complicaciones dentro de poblaciones de cáncer definidas utilizando datos estándar recolectados de forma rutinaria.

Metodología
El estudio entrenó un modelo basado en transformadores para predecir la aparición a dos años de 162 complicaciones asociadas al tratamiento a través de ocho categorías clínicas (incluyendo síndromes mielodisplásicos, enfermedad cardiovascular, enfermedad renal e infecciones).

• Fuente de datos y cohorte: El modelo fue entrenado con 2.775.595 mediciones de laboratorio estructuradas de 3.905 pacientes (1.855 con mieloma múltiple, 2.050 con cáncer de ovario) tratados en un único centro terciario entre 2000 y 2026. El conjunto de datos fue filtrado para incluir solo 39 analitos probados de rutina (que abarcan paneles hematológicos, metabólicos, hepáticos, inflamatorios, de coagulación y endocrinos) para evitar el sesgo de indicación de pruebas especializadas.
• Procesamiento de datos: Las trayectorias de laboratorio se segmentaron en ventanas de observación no superpuestas de 10 a 30 días. Los valores faltantes fueron gestionados mediante un modelo de imputación basado en transformadores entrenado para reconstruir analitos enmascarados, asegurando que el modelo de predicción dependiera de valores fisiológicos en lugar de patrones de pruebas.
• Arquitectura del modelo: Un codificador de transformador bidireccional (basado en componentes de la arquitectura Qwen-3, incluyendo incrustaciones posicionales rotatorias y activaciones SwiGLU) fue entrenado desde cero sobre datos de laboratorio estructurados sin preentrenamiento de lenguaje. Los tokens de entrada codificaron valores normalizados mediante puntuación z de los 39 analitos y la edad del paciente, con un token de sexo binario anexado por secuencia.
• Formulación de la tarea: La tarea se enmarcó como una clasificación multietiqueta para predecir la probabilidad de cada uno de los 162 diagnósticos (mapeados a partir de códigos CIE-10) ocurriendo dentro de los 730 días (dos años) posteriores a la ventana de entrada.
• Líneas base y validación: El transformador se comparó contra líneas base no secuenciales (XGBoost y regresión logística) entrenadas con representaciones de "bolsa de palabras" (bag-of-words) de los mismos datos. La validación externa se realizó en dos cohortes independientes de EE. UU.: la base de datos de cuidados críticos MIMIC-IV y el registro MMRF CoMMpass de mieloma múltiple, sin ajuste fino ni recalibración específica de la cohorte.

Resultos clave

• Desempeño predictivo: El transformador predijo la aparición a dos años de los ocho grupos de enfermedades primarias por encima de sus respectivos niveles base de prevalencia. Los valores de AUROC oscilaron entre 0,65 para la diabetes tipo 2 y 0,75 para infecciones fúngicas. El modelo logró un enriquecimiento predictivo significativo, observándose las proporciones más altas para los puntos finales raros (por ejemplo, los síndromes mielodisplásicos mostraron un enriquecimiento de 6,1 veces; las infecciones fúngicas, de 3,1 veces).
• Ventaja temporal: El transformador igualó o superó a las líneas base no secuenciales en los ocho grupos de puntos finales, con ganancias de AUROC de hasta +0,11 para síndromes mielodisplásicos y +0,09 para infecciones fúngicas. Esto demuestra que las trayectorias longitudinales capturan una fisiología evolutiva y específica de cada complicación que es inaccesible desde mediciones aisladas.
• Coherencia biológica: Las predicciones se generalizaron a través de ambos tipos de cáncer para cinco de los ocho puntos finales (cardiovascular, infecciones bacterianas, enfermedad metastásica, diabetes tipo 2, infecciones fúngicas), a pesar de las diferencias mecánicas en la patofisiología de la enfermedad. Se observó divergencia en los puntos finales donde la firma de laboratorio es específica de la enfermedad (por ejemplo, síndromes mielodisplásicos, donde la cohorte de ovario tuvo una prevalencia de cero en el conjunto de prueba interno).
• Firmas de biomarcadores: Los análisis de enmascaramiento revelaron que el modelo dependía de biomarcadores interpretables consistentes con la patofisiología conocida. Por ejemplo, la glucosa dominó las predicciones de diabetes tipo 2, las estimaciones de la tasa de filtración glomerular (eGFR) impulsaron las predicciones de enfermedad renal, y el recuento de glóbulos rojos fue crítico para los síndromes mielodisplásicos. El enmascaramiento por pares indicó relaciones sinérgicas entre biomarcadores.
• Transferibilidad externa: El modelo demostró transferibilidad a sistemas de salud independientes (MIMIC-IV y MMRF CoMMpass) sin reentrenamiento. Los puntos finales renales y metabólicos se transfirieron de forma más robusta (AUROC de hasta 0,85 en MIMIC-IV para estadios específicos de enfermedad renal), mientras que el desempeño para complicaciones infecciosas varió, probablemente debido a diferencias en los sistemas de codificación.

Significancia y Reivindicaciones
Los autores afirman que los datos de laboratorio oncológicos de rutina codifican el deterioro de los órganos semanas o meses antes de la aparición clínica. La principal significancia de este trabajo es la demostación de que existe una señal "específica de la complicación" dentro de los datos estándar recolectados de forma rutinaria, lo que permite la vigilancia sin infraestructura de pruebas adicionales.

El artículo postula que este enfoque ofrece el "canal de monitoreo longitudinal denso más económico disponible en oncología", ya que utiliza datos que ya son producidos por cada unidad de oncología y almacenados en los sistemas de información hospitalaria. Al resolver 162 puntos finales específicos en lugar de riesgos agregados, el modelo proporciona una guía accionable y específica de la complicación que los modelos actuales carecen. Los autores enfatizan que las predicciones están impulsadas por firmas de biomarcadores interpretables alineadas con la patofisiología establecida, manteniendo el modelo auditable en lugar de opaco.

El estudio concluye que, si bien se requiere validación prospectiva para establecer umbrales de decisión para la intervención clínica, la infraestructura de datos para detectar estas señales temporales ya está en su lugar, ofreciendo una vía hacia los "gemelos digitales" a nivel de paciente en cáncer, donde las representaciones del estado de los órganos se actualizan continuamente.