Estimado Editor:
Hemos leído con interés el artículo de Guevara-Tirado titulado Aprendizaje supervisado para la predicción de factores personales asociados a hemoptisis en pacientes con carcinoma pulmonar1. Este trabajo explora factores personales y de estilo de vida, incluyendo obesidad, consumo de alcohol, alergia al polvo y exposición al tabaco activo y pasivo; y reporta altos porcentajes de clasificación correcta para hemoptisis leve, moderada y grave. Consideramos que este enfoque es pertinente, dada la relevancia clínica de la hemoptisis en oncología torácica y el interés creciente en herramientas basadas en inteligencia artificial para estratificación de riesgo.
Aun así, el estudio presenta limitaciones metodológicas importantes. En primer lugar, su diseño transversal impide evaluar direccionalidad o causalidad entre exposición y desenlace. En segundo lugar, no incorpora variables clínicas que la literatura ha vinculado tanto con la aparición de hemoptisis como con su gravedad en pacientes con cáncer de pulmón, como la histología escamosa, la localización central del tumor, la cavitación tumoral o la inestabilidad hemodinámica en cuadros graves, elementos que se asocian también con mayor mortalidad en episodios de hemoptisis masiva2.
Asimismo, la presencia de comorbilidades respiratorias como la enfermedad pulmonar obstructiva crónica (EPOC) modifica la evolución clínica y la complejidad del seguimiento oncológico en pacientes con cáncer de pulmón, por su asociación con inflamación crónica de la vía aérea y deterioro funcional respiratorio3. Esto refuerza la necesidad de incorporar sistemáticamente estas condiciones en los modelos de predicción de hemoptisis, dado que podrían actuar como factores de confusión o modificadores de efecto.
Antes de plantear una eventual implementación clínica de estos modelos predictivos, por ejemplo, como herramientas de estratificación temprana del riesgo de hemoptisis en servicios de oncología torácica, sería necesario evaluar su factibilidad operativa y su costo-efectividad en escenarios reales de atención4. Entendemos que este análisis excede el alcance del estudio actual, pero consideramos importante señalarlo porque condiciona la adopción futura de herramientas basadas en inteligencia artificial.
El análisis se realizó sobre una base secundaria de 1.000 pacientes sin muestreo probabilístico ni validación externa, y sin información clave sobre la histología tumoral o el estadio oncológico. Esto limita la extrapolación de los hallazgos a otras poblaciones. La literatura sobre predicción clínica muestra que tanto la discriminación como la calibración de los modelos tienden a deteriorarse cuando se aplican en contextos clínicos distintos a aquellos en los que fueron entrenados, especialmente cuando difieren la edad, el estado funcional o la exposición ambiental de los pacientes5.
Desde la perspectiva clínica, estos modelos podrían, en el futuro, apoyar la estratificación del riesgo de hemoptisis en pacientes con cáncer pulmonar, facilitando intervenciones oportunas incluso en entornos con recursos limitados. Para avanzar hacia esa aplicabilidad, consideramos necesario: a) realizar estudios prospectivos y multicéntricos; b) la inclusión de variables clínicas clave como histología tumoral, estadio oncológico, tratamiento recibido y comorbilidades respiratorias; c) validación externa en poblaciones con diferentes perfiles demográficos y de exposición, y d) transparencia metodológica, incluyendo la publicación del código, los hiperparámetros y métricas de desempeño como AUC, sensibilidad, especificidad y valores predictivos por subgrupo clínico5,6. La literatura reciente muestra que los modelos predictivos suelen perder discriminación y calibración cuando se aplican fuera del entorno en el que fueron desarrollados5, y que la integración multimodal de datos clínicos, imagenológicos y de laboratorio mediante enfoques de inteligencia artificial puede mejorar la capacidad de generalización en cáncer pulmonar6.
En conclusión, felicitamos al autor por abordar un problema clínico relevante con herramientas de aprendizaje supervisado. Creemos que la incorporación de variables oncológicas y fisiopatológicas fundamentales, junto con validación externa y transparencia metodológica, permitirá que este prometedor enfoque se acerque de manera segura y reproducible a la práctica clínica. Confiamos en que estas observaciones contribuyan a fortalecer el impacto del trabajo en beneficio de la comunidad científica y de los pacientes con cáncer pulmonar.
Agradecimientos
Los autores declaran que no existen agradecimientos adicionales relacionados con la elaboración de esta carta.
Financiación
Los autores declaran que no se recibió financiamiento externo para la elaboración de esta carta al editor.
Conflicto de intereses
Los autores declaran no tener conflicto de intereses.
Consideraciones éticas
Protección de personas y animales. Los autores declaran que para esta investigación no se han realizado experimentos en seres humanos ni en animales.
Confidencialidad, consentimiento informado y aprobación ética. El estudio no involucra datos personales de pacientes ni requiere aprobación ética. No se aplican las guías SAGER.
Declaración sobre el uso de inteligencia artificial. Los autores declaran que no utilizaron ningún tipo de inteligencia artificial generativa para la redacción de este manuscrito.
