Del soplo al diagnóstico: tecnologías que detectan cáncer a través del aire exhalado

Este contenido fue doblado utilizando inteligencia artificial.
Para activar los subtítulos en español, haga clic en CC en la barra de progreso del video.

El análisis de compuestos orgánicos volátiles (VOCs) en el aire exhalado ha emergido como una alternativa no invasiva para la detección y el seguimiento en oncología. Estas moléculas reflejan alteraciones metabólicas tumorales y pueden ser identificadas mediante espectrometría de masas, espectrometría de movilidad iónica (GC-IMS) o sensores electrónicos (eNoses). La novedad de las últimas publicaciones es la incorporación de algoritmos de inteligencia artificial (IA) y aprendizaje automático, capaces de procesar grandes bases de datos y reconocer firmas químicas complejas con alta precisión.

Paralelamente, empresas como Owlstone Medical (Breath Biopsy®), Breath Diagnostics (OneBreath™), The eNose Company (aeoNose) y SpotitEarly (prueba multicáncer domiciliaria con IA y perros detectores) ya desarrollan plataformas que combinan recolección estandarizada y análisis automatizado, buscando su viabilidad clínica.

Detección temprana a través del aire exhalado

En 2025, un estudio multicéntrico publicado en Cancers evaluó a 73 pacientes con cáncer de pulmón y 123 controles. El modelo basado en GC-IMS asociado con inteligencia artificial alcanzó una precisión del 90%, con sensibilidad del 87% y especificidad del 92%. En el subgrupo de estadio IA, los resultados fueron aún más destacados (sensibilidad 90%, especificidad 93%), resaltando el papel de este método en la detección temprana de tumores de pulmón.

Recientemente, un estudio prospectivo multicéntrico validó externamente el SpiroNose®, dispositivo que detecta VOCs mediante sensores químicos integrados con IA. Conducido en consultorios de neumología, el estudio demostró que el SpiroNose® distinguió pacientes con cáncer de pulmón de los controles con sensibilidad del 94% y especificidad del 63%, manteniendo un rendimiento consistente independientemente del estadio, histología o centro de recolección. Una meta-análisis que revisó más de 120 estudios con pacientes con diversos tipos de cáncer demostró que las pruebas basadas en VOCs alcanzan una sensibilidad del 89% y especificidad del 87%, con rendimiento similar entre espectrometría y sensores, ambos potenciados por modelos de IA.

En ASCO 2025, un estudio retrospectivo realizado en India evaluó 1.000 muestras de aire exhalado (105 con cáncer, 895 controles). Perros entrenados realizaron la detección de VOCs observados por sensores de movimiento, video y electroencefalograma para registrar respuestas conductuales integradas a modelos de IA. El sistema alcanzó una sensibilidad del 96% y especificidad del 100% para múltiples tipos de cáncer, incluyendo oral, mama, esófago y cuello uterino, con sensibilidad del 85% en tumores iniciales.

En el campo de los tumores raros, un meta-análisis reciente sobre mesotelioma pleural maligno (8 estudios, 859 participantes) mostró que el análisis de VOCs alcanzó una sensibilidad del 86% y especificidad del 73% para la detección de la enfermedad. En individuos previamente expuestos al asbesto, el rendimiento fue aún mayor, con sensibilidad del 89% y especificidad del 79%.

Otra línea de innovación con VOCs es la estratificación molecular. En adenocarcinoma de pulmón, el análisis de 246 muestras de aire exhalado identificó 10 VOCs asociados con el estado mutacional de EGFR. El modelo predictivo alcanzó una sensibilidad del 71% y especificidad del 71% en la detección de mutaciones en EGFR.

Potencial en seguimiento y enfermedad avanzada

El monitoreo seriado de VOCs, analizados mediante algoritmos de aprendizaje automático que incorporan variables ambientales y clínicas, puede ser prometedor para la vigilancia post-tratamiento y la evaluación de respuesta en enfermedad avanzada. En un estudio con 39 pacientes con cáncer de pulmón avanzado, se analizaron 143 muestras de aire exhalado, permitiendo diferenciar respuesta parcial/enfermedad estable de progresión con un 85% de precisión, configurando un marcador dinámico y no invasivo de la actividad tumoral.

Limitaciones y desafíos

A pesar de los avances, existen barreras importantes, como la ausencia de estandarización en los protocolos de recolección, almacenamiento y análisis de muestras, lo que dificulta la comparación entre estudios. Factores externos, como tabaquismo, dieta, microbioma y enfermedades pulmonares benignas, también pueden interferir en los perfiles de VOCs, requiriendo algoritmos robustos de corrección. Además, aunque ya disponibles en el contexto de investigación, estas tecnologías aún se encuentran fuera de las guías clínicas.

Perspectivas futuras

La incorporación de inteligencia artificial y aprendizaje automático tiende a ser el diferencial para la consolidación del análisis de VOCs en oncología. En el futuro, las firmas respiratorias podrían integrarse con biopsias líquidas (ctDNA, metiloma) y radiómica, generando modelos predictivos más precisos. Así, pronto podremos diagnosticar el cáncer utilizando el aire exhalado, revolucionando la forma de detectar y seguir a los pacientes oncológicos.

Por el Dr. Caio Leite

Referencias

1. Raimundo BS, et al. Breath Insights: Advancing Lung Cancer Early-Stage Detection Through AI Algorithms in Non-Invasive VOC Profiling Trials. Cancers (Basel). 2025; 17(10):1685.
2. Buma AIG, et al. Lung cancer detection by electronic nose analysis of exhaled breath: a multicentre prospective external validation study. Ann Oncol. 2025; 36(7):786-795.
3. Jia Z, et al. Advanced strategy for cancer detection based on volatile organic compounds in breath. J Nanobiotechnology. 2025; 23(1):468.
4. Kulgod A, et al. Breath-based VOC analysis leveraging canine olfaction for multi-cancer detection: Insights from a 1000-sample study. Journal of Clinical Oncology. 2025; 43 (16_suppl).
5. Zhao T, et al. Volatile organic compounds in exhaled human breath for the diagnosis of malignant pleural mesothelioma: a meta-analysis. Front Oncol. 2025; 15:1537767.
6. Yang Y, et al. A detection model for EGFR mutations in lung adenocarcinoma patients based on volatile organic compounds. Ann Oncol. 2023; 34 (Suppl_2): S726
7. Nardi-Agmon I, et al. Exhaled Breath Analysis for Monitoring Response to Treatment in Advanced Lung Cancer. J Thorac Oncol. 2016; 11(6):827-37.