Un equipo de investigadores de Turquía ha desarrollado el primer sistema de predicción de riesgo para tumores mamarios felinos basado en modelos de aprendizaje automático, un avance pionero que podría transformar la oncología preventiva en clínicas veterinarias.
El estudio, publicado el 11 de noviembre de 2025 en Veterinary and Comparative Oncology bajo el título Machine Learning-Based Risk Prediction for Feline Mammary Tumours, demuestra que la inteligencia artificial puede ofrecer herramientas de estratificación de riesgo con una precisión muy superior a los métodos tradicionales.
Un problema clínico frecuente y con escasos recursos diagnósticos
Los tumores mamarios felinos constituyen la tercera neoplasia más común en gatos, pero la práctica veterinaria sigue dependiendo de la evaluación subjetiva y de la experiencia individual de cada profesional.
A diferencia de la medicina humana, en veterinaria felina no existen guías de cribado estructuradas ni herramientas cuantitativas validadas que permitan establecer recomendaciones personalizadas para la detección precoz
El equipo investigador -Kübra Nur Çalı Özçelik, Salih Taha Alperen Özçelik y Sema Timurkaan- buscó cubrir esta carencia desarrollando un sistema que integrara datos epidemiológicos complejos y proporcionara un cálculo de riesgo clínicamente interpretable.
Un dataset sintético calibrado con dos décadas de información epidemiológica
La novedad metodológica del estudio reside en la construcción de un dataset sintético de 4.399 casos felinos, que reproduce con gran precisión las relaciones epidemiológicas descritas en la literatura entre 2002 y 2022.
Este dataset incorporó variables demográficas, clínicas, reproductivas y ambientales calibradas para reflejar patrones reales, lo que permitió entrenar modelos avanzados sin depender de bases de datos clínicas incompletas o heterogéneas, un obstáculo habitual en la investigación veterinaria.
Un enfoque multimodelo de aprendizaje automático
Para el desarrollo del sistema predictivo, se entrenaron cinco algoritmos diferentes:
- Random Forest
- XGBoost
- Redes Neuronales
- Máquinas de Vectores de Soporte (SVM)
- Regresión Logística
Estos modelos fueron combinados mediante un enfoque de soft voting, dando lugar a un modelo ensamblado con un rendimiento sólido.
El sistema final alcanzó un AUC de 0.888 (IC 95 %: 0.873–0.903), 80,5 % de precisión, 85,7 % de sensibilidad y 76,0 % de especificidad.
Según los autores, esto supone una mejora del 64,8 % en la capacidad discriminativa frente a los métodos tradicionales y un incremento del 163 % en el beneficio clínico neto.
Estratificación de riesgo con aplicación directa en la clínica
El modelo permite clasificar el riesgo de forma práctica y con correlación real:
- Riesgo bajo (<30 %): prevalencia observada del 12,4 %
- Riesgo muy alto (>80 %): prevalencia observada del 89,5 %
Esta capacidad de estratificación ofrece una base objetiva para personalizar recomendaciones de seguimiento, priorizar pruebas diagnósticas y orientar decisiones en medicina preventiva, como la esterilización temprana o el control mamario proactivo.
Un posible punto de inflexión en oncología veterinaria
Los autores destacan que este es el primer sistema validado de apoyo a la decisión clínica en el ámbito de los tumores mamarios felinos.
Su uso podría acercar la medicina preventiva veterinaria a estándares más cuantitativos, ofreciendo a los clínicos herramientas robustas para mejorar la detección precoz y la planificación de cuidados.
Los resultados marcan un hito prometedor, si bien la implementación generalizada requerirá una validación prospectiva con datos clínicos reales.
El estudio no declara conflictos de interés y detalla que los datos empleados proceden de fuentes de acceso abierto, principalmente Frontiers in Veterinary Science.
Nota del editor: Este contenido divulgativo ha sido elaborado de forma independiente por nuestro equipo editorial a partir del estudio científico original Machine Learning-Based Risk Prediction for Feline Mammary Tumours (Çalı Özçelik KN, Özçelik STA, Timurkaan S. Vet Comp Oncol. 2025. DOI: 10.1111/vco.70026). Los autores originales no han revisado ni validado esta adaptación. El artículo científico completo está disponible en Wiley Online Library para consulta de la metodología detallada y datos complementarios.
