Proyecto ANID-FONIS liderado por Werner Kristjanpoller utiliza machine learning y transfer learning para plataforma que entrega recomendaciones precisas sobre diagnóstico, tratamiento y pronóstico de enfermedad con tasa de incidencia más alta del mundo en Chile (9,7 casos por 100 mil habitantes) y mortalidad de 7,8 por 100 mil. Sistema basado en datos internacionales será customizado con información clínica nacional mediante colaboración con Hospital Naval Almirante Nef.
Apoyar decisiones clínicas asociadas al diagnóstico, tratamiento y pronóstico del cáncer biliar utilizando inteligencia artificial es el propósito de una investigación que se encuentra desarrollando la Universidad Técnica Federico Santa María (USM), liderada por el académico del Departamento de Industrias, Werner Kristjanpoller.
21 de 400 proyectos seleccionados por FONIS-ANID
La iniciativa, que estará dirigida a profesionales médicos de la red de salud, forma parte de los 21 proyectos seleccionados a nivel nacional, entre más de 400 postulaciones presentadas al concurso del Fondo Nacional de Investigación y Desarrollo en Salud (FONIS) 2025 de la Agencia Nacional de Investigación y Desarrollo (ANID).
Chile: tasa de incidencia más alta del mundo
Según datos epidemiológicos nacionales, el cáncer de vesícula biliar en Chile constituye una de las enfermedades más letales y con mayor impacto en la salud pública. El país presenta la tasa de incidencia más alta del mundo, con 9,7 casos por cada 100.000 habitantes, junto a una tasa de mortalidad que alcanza los 7,8 fallecimientos por cada 100.000 personas.
Por lo anterior, Werner Kristjanpoller explicó que “el proyecto busca desarrollar un sistema de recomendación asistido por inteligencia artificial que permita entregar recomendaciones precisas, tempranas y personalizadas sobre el cáncer biliar, basado en técnicas avanzadas de machine learning y transfer learning, y que sirva como herramienta de apoyo para los profesionales de la salud en la toma de decisiones clínicas”.
Dos ejes: identificación de riesgo y orientación de tratamiento
La plataforma permitirá a los equipos médicos ingresar determinados parámetros clínicos de los pacientes y recibir información predictiva y recomendaciones que complementen el análisis profesional frente a un posible diagnóstico de cáncer de vesícula biliar.
En este sentido, el proyecto se estructura en dos grandes ejes de trabajo. El primero apunta a la identificación del riesgo, mediante modelos predictivos que permitirían estimar la probabilidad de desarrollar este tipo de cáncer. El segundo eje, una vez confirmado el diagnóstico, entrega al profesional médico información adicional para orientar alternativas de tratamiento, intervenciones quirúrgicas y pronósticos asociados a cada caso.
Soporte clínico en tiempo real
“Imaginamos un soporte clínico en tiempo real que facilite la planificación de tratamientos personalizados para pacientes con cáncer de vesícula biliar. Nuestra hipótesis es que el conocimiento obtenido a partir del análisis de grandes volúmenes de datos internacionales, customizado mediante técnicas de transfer learning, puede mejorar sustancialmente la precisión de las recomendaciones clínicas y del pronóstico de sobrevivencia del paciente”, recalcó el académico.
Transfer learning: adaptar conocimiento internacional a realidad chilena
Si bien este tipo de sistemas ya ha sido desarrollado en otros contextos médicos, generalmente se basa en modelos universales entrenados con datos internacionales y luego reentrenados con información doméstica. Una de las principales innovaciones de esta iniciativa es la adaptación del sistema a la realidad nacional, incorporando progresivamente información clínica de población chilena asociada al cáncer biliar.
Este proceso, sin embargo, presenta desafíos relevantes: “En Chile existe una limitada disponibilidad de datos confiables y estandarizados sobre esta enfermedad, por lo que el desarrollo inicial del modelo se realizará utilizando bases de datos generales, para luego ajustarlo e incorporar variables específicas del contexto nacional”, comentó Kristjanpoller.
El transfer learning representa técnica de aprendizaje automático donde modelo preentrenado en tarea con datos abundantes (por ejemplo, predicción de cáncer biliar en cohortes internacionales) se adapta a tarea relacionada con datos escasos (predicción en población chilena). Esto permite aprovechar patrones generales aprendidos previamente, reduciendo necesidad de datasets locales masivos mientras se ajusta a particularidades epidemiológicas, genéticas o clínicas específicas.
En este marco, el uso de transfer learning resulta clave: “El sistema se basa en que los patrones aprendidos a partir de otras cohortes pueden ser aplicables a problemáticas similares, incluso cuando los datos locales son escasos. Esta metodología permite optimizar el entrenamiento inicial del modelo y, posteriormente, personalizarlo a la realidad chilena“, añadió.
Colaboración con cirujano en Boston Medical Center
Todo este trabajo de investigación aplicada en salud partió hace más de dos años, entre el profesor Kristjanpoller y el médico Eduardo Vega, director alterno del proyecto, quien tiene una vasta experiencia académica y clínica tanto en Chile como en el extranjero. Actualmente, el Dr. Vega se desempeña en el Boston Medical Center, en Estados Unidos, como cirujano hepatobiliopancreático y de oncología digestiva, con un fuerte foco en cánceres hepatobiliares, en particular cáncer de vesícula biliar.
“Decisiones más informadas y oportunas”
Al respecto, el Dr. Vega detalló el aporte de esta investigación en el contexto actual: “Creemos que este proyecto nos permite avanzar hacia una herramienta de apoyo a la decisión clínica que sea objetiva, transparente y adaptada a la realidad chilena, ayudando a los equipos de salud a tomar decisiones más informadas y oportunas. En la práctica clínica, muchas decisiones aún se basan en sistemas tradicionales de clasificación que no logran capturar toda la complejidad real de los pacientes, particularmente en enfermedades poco frecuentes, pero altamente letales. El uso de modelos de aprendizaje automático permite integrar simultáneamente variables clínicas, patológicas y demográficas, identificando patrones que no son evidentes con métodos convencionales”.
Validación clínica en Hospital Naval Almirante Nef
Asimismo, una de las instituciones con las cuales se ha trabajado y será estratégica en el proyecto —y clave para la etapa de validación clínica de la herramienta— es el Hospital Naval Almirante Nef de Viña del Mar. El equipo de trabajo está conformado por especialistas de distintas disciplinas: desde la perspectiva oncológica, participan el Dr. Leonardo Caimi y Dr. Jaime Cubillos; mientras que, desde el ámbito de la ingeniería, colaboran los ingenieros Francisco Miño en tecnología y Juan Pablo Trejos en la parte informática, fortaleciendo el enfoque interdisciplinario del proyecto.
