El avance en la oncología de precisión ha puesto de manifiesto la necesidad de modelos predictivos robustos para anticipar la resistencia a terapias dirigidas. El caso del osimertinib en cáncer de pulmón no microcítico con mutación en EGFR es paradigmático: la evolución clonal bajo presión terapéutica sigue patrones predecibles, pero hasta ahora no existía un repositorio estandarizado para entrenar y evaluar algoritmos de machine learning. OncoTraj surge como un benchmark público que integra datos clínico-genómicos de más de 800 pacientes, definiendo tareas de clasificación binaria, regresión temporal y predicción del mecanismo de resistencia dominante. La principal conclusión de este esfuerzo es que los modelos basados en una única biopsia tisular no logran superar el rendimiento aleatorio, lo que evidencia la necesidad de recurrir a datos longitudinales como el ADN tumoral circulante (ctDNA).
Este tipo de limitaciones impulsa la demanda de aplicaciones a medida que integren múltiples fuentes de datos y técnicas avanzadas de inteligencia artificial. En Q2BSTUDIO desarrollamos IA para empresas capaces de procesar series temporales genómicas, combinando servicios cloud AWS y Azure para escalar el análisis, e incorporando ciberseguridad para proteger información sensible del paciente. Además, nuestras soluciones de inteligencia de negocio con Power BI permiten visualizar trayectorias de progresión tumoral y generar alertas tempranas basadas en modelos predictivos. La lección de OncoTraj es clara: los próximos avances requerirán infraestructuras de software a medida que automaticen la recolección de muestras seriadas, el entrenamiento de agentes IA y la integración con plataformas de diagnóstico. En ese sentido, nuestro equipo colabora con centros de investigación para diseñar pipelines reutilizables que conviertan el desafío metodológico en una oportunidad clínica real.