En l' àmbit de l' oncologia de precisió, la predicció de supervivència a partir de dades genòmiques és una eina cada vegada més valuosa per personalitzar tractaments. No obstant això, un dels principals desafiaments que enfronten els models actuals és l'heterogeneïtat en els panells de seqüenciació utilitzats per diferents institucions. Quan un model desenvolupat amb un conjunt de gens específic es desplega en un centre que utilitza un panell diferent, es troba amb característiques absents de forma estructural, la qual cosa redueix dràsticament el seu rendiment. Les solucions convencionals —com restringir l'anàlisi només a gens compartits, descartar pacients amb perfils incomplets o imputar dades en temps de prova— són costoses, poc robustes i limiten l'aprofitament de cohorts multicèntriques. En aquest context, ha sorgit SHIFT (Survival prediction Handling Incomplete Features using Transformer), un enfocament novedós que aborda directament la predicció de supervivència a partir de dades genòmiques incompletes sense necessitat d'imputació posterior. Aquest model basat en transformadors és capaç de treballar amb qualsevol combinació de característiques observades, gràcies a un mecanisme d' atenció emmascarada i un vector de disponibilitat que indica quins gens són presents en cada mostra.
La innovació clau de SHIFT rau en la seva capacitat per aprendre representacions de cada característica genòmica de forma independent i després combinar-les mitjançant autoconsciència amb emmascarament. Durant l' entrenament, s' aplica un emmascarament de característiques amb taxa variable, la qual cosa exposa el model a patrons d' absència heterogenis i el torna més robust davant les variacions reals que trobarà en el desplegament. Això contrasta amb els mètodes tradicionals que assumeixen disponibilitat completa o recorren a imputacions que sovint introdueixen biaixos. Els resultats obtinguts en càncer de pulmó de cèl·lules escamoses i glioblastoma, amb validació externa en múltiples cohorts, demostren que SHIFT generalitza millor que les línies base clàssiques i que els enfocaments basats en imputació, fins i tot en situacions extremes de desajust de panells entre cohorts. A més, l'estudi mostra que incorporar pacients de cohorts incompletes durant el desenvolupament millora el rendiment en dades externes, la qual cosa suggereix que no és necessari descartar informació parcial, una troballa de gran rellevància pràctica per a la col·laboració entre centres.
Des d' una perspectiva tècnica, el model empra una arquitectura de transformer adaptada a dades tabulars genòmiques. Cada gen es representa com un token, i la màscara de disponibilitat permet que el mecanisme d'atenció només consideri els tokens presents. D' aquesta manera, la predicció es basa exclusivament en la informació observada, sense necessitat de reentrenar el model per a cada nova combinació de característiques. Aquesta flexibilitat és especialment útil en entorns clínics on els panells de seqüenciació evolucionen constantment i les dades històriques poden tenir cobertures variables. SHIFT també facilita la incorporació de nous gens sense requerir una reenginyeria completa del model, la qual cosa el converteix en una solució escalable i pràctica per a la implementació en hospitals i laboratoris de diagnòstic.
L'impacte de SHIFT va més enllà de la millora estadística. En un context empresarial i de desenvolupament de programari, aquest tipus de models representa una oportunitat per construir solucions d'intel·ligència artificial per a empreses que siguin adaptables a la realitat de cada client. La capacitat de treballar amb dades incompletes i heterogenis és un requisit comú en molts sectors, no només en genòmica. Per exemple, en aplicacions financeres, logístiques o de salut, els conjunts de dades solen presentar valors faltants per raons estructurals. Un model com SHIFT, que pot manejar aquestes absències de forma natural, redueix la càrrega de preprocessament i augmenta la fiabilitat de les prediccions.
Per a una empresa de desenvolupament de programari com Q2BSTUDIO, la implementació d' aquest tipus d' arquitectures requereix combinar coneixements avançats en aprenentatge automàtic amb una infraestructura robusta. La formació d' aquests models demana un processament intensiu de dades i un desplegament eficient. Per això, oferim aplicacions a mida i programari a mesura que integren models d'IA com SHIFT en plataformes escalables. A més, aprofitem serveis cloud com AWS i Azure per garantir l'elasticitat i la seguretat necessàries, aspectes crítics quan es manegen dades sensibles de pacients. La ciberseguretat també és fonamental, ja que qualsevol solució que processi informació genòmica ha de complir amb estrictes normatives de privacitat. El nostre equip implementa pràctiques de pentesting i controls d'accés per protegir les dades en trànsit i en repòs.
Així mateix, la capacitat de SHIFT per millorar amb la incorporació de dades parcials obre noves vies per a la col·laboració multicèntrica. Les institucions poden aportar les seves cohorts sense necessitat d' alinear completament els panells de seqüenciació, la qual cosa accelera l' acumulació de coneixement i la validació de models predictius. Això té implicacions directes en el desenvolupament d' eines de suport a la decisió clínica. Per exemple, un hospital que utilitzi un panell genòmic limitat podria beneficiar-se d'un model entrenat amb dades de múltiples centres, sense haver de desplegar una costosa ampliació de la seva plataforma de seqüenciació. La intel·ligència artificial, i en particular els models basats en transformadors com SHIFT, estan aplanant el camí cap a una medicina més inclusiva i basada en evidència.
Des del punt de vista de la intel·ligència de negoci, la capacitat de predir la supervivència amb precisió a partir de dades incompletes té un valor estratègic. Els resultats d' aquests models poden integrar-se en quadres de comandament clínics mitjançant eines com Power BI, permetent als equips mèdics visualitzar riscos i prendre decisions informades. En Q2BSTUDIO, oferim serveis d'intel·ligència de negoci que connecten models predictius amb sistemes de reporting, facilitant l'adopció de la IA en entorns reals. També desenvolupem agents IA que automatitzen la ingesta i el preprocessament de dades, reduint la intervenció manual i accelerant el cicle d'entrenament de models com SHIFT.
En conclusió, SHIFT representa un avenç significatiu en la predicció de supervivència amb dades genòmiques heterogènies. La seva capacitat per manejar l' absència estructural de característiques sense recórrer a imputacions el converteix en una eina pràctica i robusta per a l' oncologia de precisió. Però el seu veritable potencial es materialitza quan s'integra en plataformes tecnològiques dissenyades per a l'escalabilitat, la seguretat i la col·laboració. Empreses com Q2BSTUDIO estan en una posició ideal per ajudar institucions de recerca i hospitals a implementar aquestes solucions, combinant experiència en intel·ligència artificial, desenvolupament de programari a mida, serveis cloud i ciberseguretat. El futur de la medicina predictiva passa per models que s'adaptin a la realitat de les dades, no a l'inrevés, i SHIFT és un excel·lent exemple d'aquesta filosofia.
