Cáncer múltiple: un panel de cuatro metabolitos en orina y plasma, leído por un modelo sin etiquetas, alcanza un AUC de 0,925 — pero un valor predictivo positivo del 6,7 % con una prevalencia del 0,5 %
Un equipo del Instituto Nacional del Cáncer de Estados Unidos (NCI) midió cuatro metabolitos en la orina y el plasma de 4 105 personas y aplicó un algoritmo de agrupamiento que no usa etiquetas «enfermo / sano» para separar los casos de ocho cánceres de los controles: AUC de 0,925, frente a 0,991 de un random forest supervisado. La señal es real y el procedimiento, elegante. Pero es un preprint, un estudio de casos y controles con validación interna, y con una prevalencia realista del 0,5 % el valor predictivo positivo cae al 6,7 %: los propios autores escriben que el panel no es adecuado para el cribado poblacional.
El contexto
Las pruebas «multicáncer» en sangre u orina son uno de los temas más debatidos de la detección precoz: una sola muestra, varios cánceres buscados. La dificultad es conocida. Una prueba de cribado necesita una especificidad (capacidad de no alarmar a las personas sanas) muy alta, porque los cánceres son raros en la población general; y los modelos supervisados, entrenados con etiquetas caso/control, corren el riesgo de memorizar las particularidades de sus cohortes en lugar de la biología.
Este estudio, publicado en medRxiv el 14 de octubre de 2026, intenta eludir parte del problema. Parte de un panel estrecho de cuatro metabolitos medibles en orina o plasma, ya estudiados por el laboratorio de carcinogénesis humana del NCI, y se pregunta: si no se usa ninguna etiqueta para construir el modelo, ¿cuánta señal queda?
El método
Los datos. 4 225 muestras (3 875 de orina, 350 de plasma) de 4 105 individuos en seis cohortes: 2 555 muestras de casos (próstata 1 011, pulmón 661, hígado 287, mama 233, colon 215, mesotelioma 93, glioblastoma 30, páncreas 25) y 1 670 controles. Todas las muestras se tomaron en el momento del diagnóstico o cerca de él. Los autores no tienen información sobre enfermedades benignas o comorbilidades de los controles.
Las mediciones. Cuatro metabolitos se dosifican por espectrometría de masas en tándem (UPLC-MS/MS, técnica que separa y luego identifica las moléculas por su masa): creatina ribósido, ácido N-acetilneuramínico (NANA), sulfato de cortisol y un glucurónido de esterol. Las concentraciones se pasan a logaritmo y se estandarizan (puntuaciones Z) dentro de cada tipo de muestra; una «puntuación combinada» es la media de las Z disponibles, sin imputar valores ausentes (no todos los analitos se midieron en todas las cohortes).
El modelo supervisado. Se comparan ocho algoritmos clásicos (regresión logística, elastic net, random forest, gradient boosting, SVM, perceptrón multicapa, naive Bayes, ensamble apilado) con validación cruzada de cinco pliegues agrupada por individuo. El random forest (conjunto de árboles de decisión que votan) es la referencia.
El modelo «sin etiquetas». Un modelo de mezcla gaussiana (GMM, que supone que los datos provienen de varias «nubes» estadísticas y las recupera solo) se ajusta sobre la puntuación combinada de todas las muestras juntas. Los componentes cuya media supera la mediana se declaran «elevados»; la puntuación de riesgo es la probabilidad de pertenecer a uno de ellos, con umbral en 0,5. Las etiquetas se usan una sola vez, con el modelo ya fijado, para calcular el rendimiento. Los autores añaden comparadores no supervisados (k-means, clustering jerárquico, PAM), un modelo con etiquetado parcial y análisis de confusión, supervivencia y predicción conforme.
Los resultados
Métricas de ML. El random forest alcanza un AUC de 0,991 (IC 95 %: 0,989–0,993); el modelo sin etiquetas, 0,925 (0,917–0,934), cerca del 93 % del rendimiento supervisado. (El AUC es la probabilidad de que el modelo asigne una puntuación más alta a un caso que a un control tomado al azar; 0,5 equivale al azar.) Según las tablas, el modelo sin etiquetas tiene una sensibilidad de 0,827 y una especificidad de 0,941. La discriminación varía de 0,996 (mesotelioma) a 0,707 (hígado). Dos analitos bastan en promedio para un AUC de 0,948; el sulfato de cortisol solo da 0,963. Entre los casos, una puntuación alta se asocia a menor supervivencia (hazard ratio de 1,33 por desviación estándar, IC 95 % 1,24–1,42).
Traducción clínica. Con la prevalencia del estudio (alrededor del 60 % de casos, un artefacto del diseño de casos y controles), por cada 1 000 muestras el modelo detectaría unos 500 de los 605 casos, se le escaparían 105 y marcaría erróneamente a 23 de 395 controles. Con una prevalencia de cribado del 0,5 % (hipótesis de los autores) el panorama es muy distinto: por cada 1 000 personas analizadas se detectarían unos 4 de 5 cánceres y se perdería 1, pero unas 59 personas sanas recibirían un resultado positivo (cálculos de la redacción a partir de sensibilidad y especificidad). Los autores reportan un valor predictivo positivo del 6,7 %: unos 67 cánceres por cada 1 000 positivos, es decir, 14 a 15 estudios complementarios por cáncer hallado. El valor predictivo negativo, 0,999, es excelente pero está tirado mecánicamente por la rareza de la enfermedad.
Lo que está bien
Una construcción sin fuga de etiquetas. La normalización, el ajuste y el umbral del modelo de mezcla no usan etiquetas; el rendimiento se calcula después. Es una respuesta honesta a la crítica del sobreajuste y da un suelo más creíble que el 0,991 del random forest.
Controles contra artefactos. Los autores prueban si el mero patrón de valores ausentes (que refleja la cohorte de origen) permite adivinar el tipo de cáncer: un modelo que solo usa ese patrón logra una exactitud equilibrada de 0,448 sobre ocho tipos, por encima del azar (0,125), lo que muestra que el riesgo es real, y lo reportan. También ajustan por edad, sexo, ascendencia y tabaquismo (AUC 0,932) y calculan un E-value (11,7).
Comunicación razonable de la incertidumbre. La predicción conforme (método que permite al modelo responder «incierto» en lugar de decidir) marca un 7 % de resultados inciertos con un 10 % de error, concentrados en hígado (45 %) y mama (27 %). El informe sigue TRIPOD+AI, la financiación es pública (NIH intramural) y los datos están disponibles a petición.
Lo que está peor
Un diseño de casos y controles sin validación externa (sesgo de espectro, sesgo de población). Los casos son cánceres diagnosticados, a menudo avanzados, comparados con controles cuyas enfermedades benignas se desconocen. Este diseño casi siempre infla el rendimiento, como admiten los autores. No hay validación en una cohorte independiente ni en otra plataforma de medición: la generalización es desconocida.
Cohortes confundidas con el diagnóstico (shortcut learning). Los controles provienen de tres fuentes y los casos de seis; algunos cánceres (mama) solo se miden en plasma y con dos analitos, y el páncreas procede de un biobanco comercial. En ese montaje el modelo puede aprender «de dónde viene la muestra» en lugar de «quién está enfermo». La prueba del patrón de valores ausentes reduce el riesgo sin eliminarlo, y la identificación del tejido de origen (exactitud equilibrada de 0,56 para el modelo sin etiquetas) sigue siendo débil.
Cifras que no cuadran del todo (métrica engañosa). El AUC de la puntuación combinada es 0,922, 0,961 o 0,907 según el análisis; la exactitud de identificación de órgano es 0,847 en el texto y 0,883 en la tabla; la proyección por 100 000 personas implica un valor predictivo positivo de alrededor del 7,5 %, no del 6,7 %. Probablemente reflejan subconjuntos distintos, pero el artículo no siempre lo dice. A ello se suman grupos pequeños (glioblastoma 30, páncreas 25) y un conflicto de intereses declarado: partes del ensayo están sujetas a un acuerdo de transferencia de tecnología del NCI.
Lo que cambia
Para la comunidad investigadora. El artículo propone un protocolo útil: establecer primero qué encuentra un modelo no supervisado antes de entrenar un clasificador pesado. El paso lógico siguiente es una cohorte prospectiva con muestras prediagnósticas, controles con enfermedades benignas y un modelo congelado antes de la prueba.
Para los clínicos. Hoy no cambia nada. Es un preprint sin revisión por pares que se declara inadecuado para guiar la práctica clínica. La lección está en otra parte: una prueba que rinde bien en casos y controles puede seguir siendo inutilizable para el cribado, porque la prevalencia decide el valor predictivo.
Para pacientes y público. No existe una prueba de orina multicáncer disponible y no debe buscarse a partir de este trabajo. Quédese el razonamiento: ante cualquier AUC anunciado de 0,9 o más, pregunte qué proporción de las personas con resultado positivo está realmente enferma.
Para ir más lejos
Preprint: Patel D.P. et al., «Label-free machine learning detects a multi-cancer signal in a noninvasive urine and plasma metabolite panel: a case–control study», medRxiv, 14 de octubre de 2026 (DOI 10.64898/2026.10.13.26365440). Autores: Daxesh P. Patel, Curtis C. Harris, Frank J. Gonzalez y colegas, National Cancer Institute, NIH (Bethesda), con la Universidad de Colorado Anschutz y Georgetown. Datos a petición (acuerdo de uso del NCI); código anunciado en Zenodo tras la aceptación. Financiación: programa intramural NIH/NCI (ZIA BC 011492).
Transparencia editorial: este artículo se elaboró con ayuda de herramientas de inteligencia artificial a partir del texto del preprint; las cifras provienen del artículo, salvo las conversiones por 1 000 personas, calculadas por la redacción. Las versiones en inglés, español y chino son traducciones automáticas.