El crecimiento exponencial de los documentos legales en Etiopía ha generado una necesidad urgente de implementar sistemas de clasificación automatizados que resulten eficientes y precisos.
La leucemia mieloide aguda (LMA) es un cáncer poco común y agresivo que puede afectar a personas de todas las edades. Kiran Vanaja, profesor asistente de investigación en bioingeniería en la Universidad de Northeastern, explica que la LMA también tiene una alta tasa de recurrencia y no existe una opción de tratamiento única para todos.
Debido a que la LMA afecta tanto la sangre como la médula ósea, los oncólogos necesitan muestras de ambas a través de análisis de sangre y una aspiración de médula ósea para determinar la composición genética particular de la enfermedad y qué tratamiento podría ser el más adecuado. A menudo, pueden pasar uno o más meses después del diagnóstico para que las personas con LMA comiencen a recibir un tratamiento potencialmente salvador. Según Vanaja, la “edad media de supervivencia es de menos de cinco años después del diagnóstico inicial”, por lo que el tiempo es esencial.
Vanaja, con sede en el Roux Institute de Northeastern en Portland, Maine, recibió recientemente una patente por una herramienta de inteligencia artificial que, según espera, ahorrará tiempo.
La nueva herramienta incluye una plataforma que puede ayudar a los oncólogos no solo a diagnosticar la enfermedad, sino también a mapear las numerosas mutaciones genéticas en un paciente determinado que podrían haber causado su LMA. Una vez mapeadas las mutaciones, la plataforma también incluye un modelo computacional conocido como red neuronal que puede sugerir posibles fármacos para un paciente individual y determinar la probabilidad de que el paciente desarrolle resistencia a esos fármacos.
Vanaja afirma que la herramienta podría reducir el tiempo preliminar desde el diagnóstico hasta el tratamiento de semanas a una sola noche.
Los bloques de LEGO de la vida
Uno de los desafíos para comprender lo que podría estar sucediendo con la LMA es comprender lo que está sucediendo dentro de las células cancerosas. Y para probar su nueva herramienta, el equipo de Vanaja tuvo que volver a los conceptos básicos de la biología celular.
Assistant Research Professor, Bioengineering poses for a portrait on Feb. 26, 2026. Photo by Matthew Modoono/Northeastern University
Assistant Research Professor, Bioengineering poses for a portrait on Feb. 26, 2026. Photo by Matthew Modoono/Northeastern University
Utilizando estrategias convencionales –que siguen siendo el estándar de oro, señala–, como la secuenciación de genes, la secuenciación de ARN u otras técnicas, los investigadores pueden obtener información sobre lo que hay dentro de la célula. Pero con el cáncer, Vanaja explica, lo que hay dentro de la célula no siempre coincide con cómo actúa la célula.
Las células no comienzan como células cancerosas, sino como células madre básicas que luego se especializan en diferentes tipos de tejido, ya sea de los pulmones, el hígado, las arterias o algo más.
Pero cuando una célula se vuelve cancerosa, Vanaja dice, pierde esa especialización primaria, como también aprendió el equipo cuando trató un grupo de células de LMA con terapias aprobadas por la FDA.
Muchas de las células cancerosas murieron, pero después de un par de semanas, Vanaja y su equipo observaron que las células sobrevivientes habían cambiado de manera radical. “Las células sufren una reconfiguración masiva cuando se someten a estos tratamientos contra el cáncer, porque literalmente están tratando de sobrevivir activando cualquier cosa y todo lo posible”.
Estos desesperados intentos de supervivencia terminan creando una discrepancia entre los componentes internos originales de la célula, su genotipo, y cómo se expresa externamente, su fenotipo.
Pero descubrir cuáles son estas discrepancias y desenredarlas es una tarea gigantesca.
Si pensamos en los aproximadamente 50.000 genes que conocemos de todas las especies como un enorme juego de LEGO, cada bloque encaja y se superpone para expresarse de formas únicas, dice Vanaja. La forma en que se apilan los genes también puede cambiar esa expresión. Incluso si consideramos solo la mitad de esos genes –que es aproximadamente cuántos hay en el genoma humano–, las opciones combinatorias serían enormes.
Una red neuronal de aprendizaje profundo, un tipo de modelo computacional de inteligencia artificial, dice, con sus capas de procesamiento interconectadas, es la única forma de analizar todas esas combinaciones a la velocidad que esperan lograr.
Una red neuronal se inspira en el funcionamiento del cerebro, con nodos de procesamiento, similares a las neuronas, dispuestos en capas. En una red neuronal, un nodo en una capa procesará un pequeño componente de la tarea más grande antes de decidir a qué nodo de la siguiente capa enviar el siguiente paso de la tarea.
Esto es lo que la hace tan buena para el modelado genético que Vanaja necesitaba: una red neuronal podría observar un gen a la vez, si es necesario, y calcular rápidamente cada permutación de cómo el gen se estaba expresando en la célula cancerosa.
Para aprovechar este poder en su trabajo, Vanaja y su equipo construyeron un modelo básico de IA alimentándolo con datos de genotipo y fenotipo de miles de células de aproximadamente una docena de pacientes con LMA. Luego, entrenaron y refinaron el modelo con todos los estudios científicos que pudieron encontrar que informaran sobre datos de células de LMA para que el modelo pudiera desenredar con mayor precisión las muchas combinaciones posibles de genes y cómo las células cancerosas los estaban expresando.
Vanaja continúa diciendo que esta herramienta de red neuronal no se limita a la LMA ni siquiera al cáncer, ya que la función principal de la red de IA es conectar el genotipo de la célula a su expresión fenotípica actual. La LMA fue un buen punto de partida para su investigación, dice, dada la complejidad del cáncer.
Una vez que se toman muestras de un paciente, la herramienta puede ejecutar sus predicciones y hacer sugerencias de tratamiento en el espacio de una sola noche, señala Vanaja. El siguiente paso es continuar entrenando el modelo con más muestras y comparar esos resultados con mediciones del mundo real.
La investigación futura, continúa Vanaja, también explorará la “aplicación a tumores sólidos”.
Un estudio multiinstitucional liderado por la Universidad de California, Davis, ha revelado que vivir en áreas urbanas con un mayor porcentaje de árboles visibles se asocia con una disminución del 4% en enfermedades cardiovasculares. En contraste, vivir en áreas urbanas con un mayor porcentaje de césped se vinculó a un aumento del 6% en estas mismas enfermedades. De manera similar, una mayor proporción de otros tipos de espacios verdes, como arbustos, se asoció con un incremento del 3%.
La nueva investigación fue publicada en la revista Environmental Epidemiology.
«Nuestros hallazgos sugieren que las intervenciones de salud pública deberían priorizar la preservación y plantación de copas de árboles en los vecindarios», afirmó Peter James, autor principal del estudio. James es profesor asociado en el Departamento de Salud Pública de la UC Davis y director del Centro de Salud Ocupacional y Ambiental.
Se analizaron más de 350 millones de imágenes de «street view» para estimar la cantidad de árboles, césped u otros espacios verdes.
«Las iniciativas y políticas de forestación urbana que protegen los árboles maduros probablemente generarán mayores beneficios para la salud cardiovascular en comparación con las inversiones en la plantación de césped», señaló James.
En 2023, más de 900.000 personas murieron a causa de enfermedades cardiovasculares en los Estados Unidos, lo que equivale a 1 de cada tres defunciones, según los Centros para el Control y la Prevención de Enfermedades.
Las enfermedades cardiovasculares son afecciones graves que afectan el corazón y los vasos sanguíneos. Esto incluye problemas del corazón, como arritmia, enfermedad de las válvulas cardíacas e insuficiencia cardíaca, y problemas de los vasos sanguíneos, como coágulos sanguíneos (incluido el accidente cerebrovascular) y la enfermedad arterial periférica.
El estudio utiliza aprendizaje automático e imágenes a nivel de calle
Investigaciones previas que utilizaban imágenes satelitales ya habían demostrado que los espacios verdes urbanos pueden ser beneficiosos para la salud pública. Sin embargo, las imágenes satelitales pueden clasificar una amplia gama de vegetación como espacio verde.
«Las imágenes satelitales han permitido una nueva comprensión importante sobre cómo el paisaje, construido y natural, puede influir en la salud humana. Pero debido a que la vista es desde muy arriba y agrupa todos los tipos de vegetación en una sola categoría, puede enmascarar diferencias que pueden ser significativas», explicó James.
James es un investigador destacado conocido por su uso innovador de imágenes a nivel de calle e imágenes satelitales en la investigación de salud ambiental. Las imágenes a nivel de calle, obtenidas principalmente de plataformas como Google Street View, capturan los entornos vecinales fotografiados desde el punto de vista de un peatón y se han utilizado cada vez más en la investigación de salud pública.
El nuevo estudio fue uno de los primeros en crear una evaluación a nivel de calle de cómo los árboles, el césped y otros espacios verdes podrían afectar la salud cardiovascular.
Los investigadores utilizaron aprendizaje profundo para analizar más de 350 millones de imágenes de «street view» y estimar la cantidad de cada vecindario cubierta por árboles, césped u otros espacios verdes.
Luego, vincularon esos hallazgos con casi 89.000 mujeres en el estudio de salud de enfermeras en curso. Determinaron el tipo y el porcentaje de vegetación (árboles, césped u otros espacios verdes) dentro de un radio de aproximadamente 500 metros de la dirección de residencia de cada participante.
Posteriormente, compararon los tipos y porcentajes de vegetación con 18 años de datos de salud, incluidos registros médicos y certificados de defunción, para determinar qué participantes del estudio desarrollaron enfermedades cardiovasculares.
Los hallazgos muestran una menor incidencia de enfermedades cardiovasculares
Los investigadores encontraron que mayores porcentajes de árboles visibles se asociaron con una disminución del 4% en la incidencia de enfermedades cardiovasculares. Las vistas de la calle con un mayor porcentaje de césped visible se asociaron con un aumento del 6% en las enfermedades cardiovasculares, y otros tipos de espacios verdes se asociaron con un aumento del 3%.
La asociación entre un mayor porcentaje de árboles visibles y una menor incidencia de enfermedades cardiovasculares fue consistente incluso cuando se estratificó por factores como la densidad de población, la región censal, la contaminación del aire y el nivel socioeconómico del vecindario.
Los investigadores se sorprendieron por las posibles asociaciones perjudiciales con el césped y otros espacios verdes. Sin embargo, estos hallazgos inesperados destacaron la importancia de desagregar los datos de los espacios verdes para comprender mejor los efectos cardiovasculares.
Los autores sugieren que puede haber múltiples razones para la asociación negativa inesperada, incluido un mayor uso de pesticidas, los impactos de la calidad del aire por el corte del césped, una menor capacidad de enfriamiento en comparación con los árboles y una menor capacidad para filtrar el ruido y la contaminación del aire. Investigaciones adicionales podrían ayudar a identificar los factores ambientales únicos que pueden afectar negativamente el riesgo cardiovascular.
El estudio tuvo varias limitaciones. En primer lugar, la cohorte está compuesta únicamente por mujeres y principalmente blancas, lo que limita la generalización debido a los antecedentes raciales y socioeconómicos relativamente homogéneos de las participantes. Además, los investigadores utilizaron las direcciones de residencia de las enfermeras, lo que no captura cómo pasaban su tiempo (por ejemplo, en el trabajo) o cómo interactuaban con otros espacios verdes. Y las imágenes de «street view» solo representan una instantánea en el tiempo y no pueden ver los espacios verdes privados que pueden influir en la salud, como los jardines traseros.
A pesar de las limitaciones, los hallazgos ofrecen información significativa.
«La investigación abre una nueva vía prometedora: mejorar la salud cardiovascular a través de cambios ambientales a nivel comunitario en lugar de depender únicamente de las elecciones de estilo de vida individuales», dijo Eric B. Rimm, coautor del estudio.
Rimm es profesor de medicina en la Facultad de Medicina de Harvard y de epidemiología y nutrición en la Escuela de Salud Pública de Harvard T.H. Chan.
«Las enfermedades cardíacas tienen un impacto tan enorme en el mundo occidental que incluso mover la aguja ligeramente hacia una prevención más temprana puede marcar una diferencia significativa», afirmó Rimm.
Fuente:
Referencia del diario:
A pesar de los rápidos avances en los modelos de lenguaje de gran tamaño, este estudio demuestra que la experiencia humana sigue siendo fundamental para la elaboración de revisiones sistemáticas rigurosas, siendo la IA más adecuada como herramienta de apoyo supervisada que como autora independiente.
Estudio: Human researchers are superior to large language models in writing a medical systematic review in a comparative multitask assessment. Image Credit: Summit Art Creations / Shutterstock.com
Una reciente investigación publicada en la revista Scientific Reports revela que los investigadores humanos obtienen mejores resultados que los modelos de lenguaje de gran tamaño (LLM) en la preparación de revisiones sistemáticas de la literatura.
¿Qué son los LLM?
Los LLM son sistemas avanzados de inteligencia artificial (IA) que utilizan métodos de aprendizaje profundo para analizar una gran cantidad de datos de entrada y generar lenguaje similar al humano. Desde la introducción de ChatGPT de OpenAI en 2022, los LLM han ganado una atención significativa del público por su capacidad para realizar una amplia gama de tareas cotidianas, incluyendo la generación de texto, la traducción de idiomas, la redacción de correos electrónicos y mucho más.
Los LLM se han convertido en una parte integral de los sectores de la salud, la educación y la investigación debido a su capacidad para interpretar y generar texto. De hecho, varios estudios han demostrado que los LLM como GPT-4 y BERT pueden realizar una amplia gama de tareas médicas, incluyendo la anotación de datos de secuenciación de ácido ribonucleico (ARN), la síntesis de contenido y la redacción de informes médicos.
En la investigación científica, los LLM se han utilizado para la selección y síntesis de literatura, el análisis de datos y la generación de informes. A pesar de su inmenso potencial para acelerar los procesos científicos, la integración responsable de los LLM en los ámbitos de la salud, la educación y la investigación requiere un análisis exhaustivo de los posibles desafíos, incluyendo la garantía de la coherencia de los datos, la mitigación de los sesgos y el mantenimiento de la transparencia en sus aplicaciones.
Diseño del estudio
Para dilucidar los riesgos y beneficios de la integración de los LLM en áreas científicas clave, el estudio actual investigó si los LLM superan a los investigadores humanos en la realización de revisiones sistemáticas de la literatura. Con este fin, se utilizaron seis LLM diferentes para realizar búsquedas bibliográficas, selección y cribado de artículos, extracción y análisis de datos, y la redacción final de la revisión sistemática.
Todos los resultados se compararon con la revisión sistemática original escrita por investigadores humanos sobre el mismo tema. Este proceso se repitió dos veces para evaluar los cambios entre versiones y las mejoras de los LLM a lo largo del tiempo.
Hallazgos clave y significado
En la primera tarea, que incluía la búsqueda y selección de literatura, el LLM Gemini tuvo el mejor desempeño al seleccionar 13 de los 18 artículos científicos que se incluyeron en la revisión sistemática original producida por los investigadores humanos. No obstante, se observaron limitaciones significativas en la capacidad de los LLM para realizar tareas clave, incluyendo la búsqueda bibliográfica, la síntesis de datos y la redacción final del manuscrito.
Estas limitaciones probablemente reflejen la falta de acceso que tienen muchos LLM a bases de datos electrónicas de artículos científicos. Además, los conjuntos de datos de entrenamiento utilizados para estos modelos pueden contener relativamente pocos artículos de investigación originales, lo que reduce aún más su precisión.
A pesar del rendimiento insatisfactorio en la primera tarea, los LLM extrajeron varios artículos apropiados más rápidamente que los investigadores humanos. Por lo tanto, la eficiencia temporal de los LLM puede utilizarse para el cribado inicial de la literatura, junto con la búsqueda cruzada estándar de bases de datos y referencias por parte de los investigadores humanos.
En la segunda tarea, de extracción y análisis de datos, el LLM DeepSeek tuvo el mejor desempeño, con un 93% de entradas correctas y entradas completamente correctas en siete de los 18 artículos originales. Tres LLM tuvieron un desempeño satisfactorio en esta tarea, ya que requirieron indicaciones lentas y complejas y múltiples cargas para obtener resultados, lo que sugiere una baja eficiencia temporal en relación con el trabajo humano.
En la tercera tarea, que involucró la redacción final del manuscrito, ninguno de los LLM probados logró un desempeño satisfactorio. Específicamente, los LLM generaron artículos completos cortos y poco inspiradores que no se ajustaban completamente a la plantilla estándar para una revisión sistemática.
Los LLM probados generaron artículos en un formato bien estructurado y con un lenguaje científico correcto, lo que podría ser engañoso para los lectores no expertos. Dado que las revisiones sistemáticas y los metaanálisis se consideran el estándar de oro en la medicina basada en la evidencia, es esencial una evaluación crítica de la literatura publicada por expertos humanos para guiar eficazmente la práctica clínica.
Conclusiones
Los LLM modernos no pueden producir una revisión sistemática en el ámbito médico sin estrategias de ingeniería de indicaciones. No obstante, las mejoras observadas en los LLM entre dos rondas de evaluación indican que, con una supervisión adecuada, los LLM pueden proporcionar un valioso apoyo a los investigadores en ciertos aspectos del proceso de revisión. En este contexto, la evidencia reciente sugiere que las estrategias de indicación guiada, como la indicación guiada por el conocimiento, pueden mejorar el rendimiento de los LLM en varias tareas de revisión.
El estudio actual incluyó una única revisión sistemática en el ámbito médico como referencia para la comparación, lo que puede restringir la generalización de estos hallazgos a otros ámbitos científicos. Por lo tanto, se necesitan futuros estudios para evaluar múltiples revisiones sistemáticas en diversos ámbitos biomédicos y no biomédicos para mejorar la solidez y la validez externa.
Referencia del diario:
- Sollini, M., Pini, C., Lazar, A., et al. (2025). Human researchers are superior to large language models in writing a medical systematic review in a comparative multitask assessment. Scientific Reports. DOI: 10.1038/s41598-025-28993-5. https://www.nature.com/articles/s41598-025-28993-5