Nuevos modelos basados en inteligencia artificial (IA), desarrollados por un equipo de investigadores españoles, son capaces de predecir la mortalidad con una precisión sin precedentes en pacientes con enfermedad renal tratados con diálisis peritoneal. La diálisis peritoneal es una modalidad de diálisis que permite filtrar los productos tóxicos de la sangre a través del peritoneo cuando los riñones dejan de funcionar correctamente. Esta técnica puede provocar, tras el uso continuado durante años, el deterioro de la membrana peritoneal y su capacidad de filtración, así como la aparición de complicaciones cardiovasculares, provocando el fallo de técnica. Individualizar la prescripción y la predicción de eventos en cada paciente permiten prolongar su uso y establecer con más seguridad qué pacientes pueden beneficiarse a medio o largo plazo.

Los resultados, del estudio, que incluyen la predicción precisa en meses y en años del fallo de técnica de diálisis peritoneal, han sido publicados en la revista BMJ Health & Care Informatics (BMJ HCI), consolidándose como un avance clave en el uso de la tecnología para la gestión sanitaria.

En el estudio, la Dra. Eva Arriero y colaboradores, bajo el liderazgo de la Dra. María Auxiliadora Bajo Rubio, Jefa del Servicio de Nefrología del Hospital Universitario de La Princesa, del Prof. Dr. Manuel López Cabrera, investigador principal en Centro de Biología Molecular Severo Ochoa (CBM, CSIC-UAM) y de investigadores del Hospital Universitario La Paz, han analizado miles de registros médicos para entrenar algoritmos capaces de evaluar factores de riesgo y estimar probabilidades de fallo de técnica o de fallecimiento (fallo cardiovascular o de filtración peritoneal). A su vez, se diseñó de novo un immunoensayo para detectar nuevos biomarcadores (proteínas señal) para detectar en la cavidad abdominal la transición mesotelio-mesénquima; un proceso molecular utilizado por las células, incluidas las cancerosas, para adquirir motilidad e invasibilidad. Según los autores, estos modelos permitirán a los médicos tomar decisiones más informadas.

Modelos de IA con impacto en la práctica médica

A diferencia de herramientas previas, el sistema desarrollado no sólo tiene en cuenta parámetros convencionales como la edad, patologías previas, signos vitales y la desaparición de la función ultrafiltradora de la membrana peritoneal, sino que también incorpora datos de evolución temporal y patrones complejos detectados por la IA —en total 218 variables clínicas medidas cada 6 meses en cada paciente desde el año 1979, es decir, aproximadamente 140.000 medidas de datos—. “Este avance supone un paso adelante en la personalización de la atención médica y la prevención de eventos críticos en pacientes, dado que provee predicciones mediante el uso de una interfaz sencilla para todo personal médico, incluyendo a la enfermería”, afirma la Dra. Eva Arriero, la principal autora del estudio y experta en bioestadística clínica y preclínica.

El artículo, disponible en acceso abierto para promover la difusión científica y la democratización de datos no federados, ha generado un gran interés en la comunidad científica y podría sentar las bases para futuras aplicaciones de IA en la medicina.

Perspectivas futuras y aplicaciones

Los autores destacan que este sistema digital podría integrarse en hospitales de todo el mundo para mejorar la planificación de cuidados a los pacientes. No obstante, subrayan que los modelos deben seguir siendo ampliados con nuevos estudios clínicos antes de su aplicación masiva.

La publicación refuerza la importancia de la IA en la medicina y su potencial para transformar la práctica y las decisiones clínicas en los próximos años.

Referencia

Eva María Arriero-País, María Auxiliadora Bajo-Rubio, Roberto Arrojo-García, Pilar Sandoval, Guadalupe Tirma González-Mateo, Patricia Albar-Vizcaíno, Gloria del Peso-Gilsanz, Marta Ossorio-González, Pedro Majano, Manuel López-Cabrera – Biomarker and clinical data–based predictor tool (MAUXI) for ultrafiltration failure and cardiovascular outcome in peritoneal dialysis patients: a retrospective and longitudinal study: BMJ Health & Care Informatics 2025;32:e101138. https://doi.org/10.1136/bmjhci-2024-101138