Dr. Marco V. Benavides Sánchez.

La diabetes mellitus, una de las enfermedades crónicas más prevalentes en el mundo, no solo representa un desafío en sí misma, sino que con frecuencia actúa como puerta de entrada a otras condiciones de salud igualmente devastadoras. Una de las más serias es la enfermedad renal crónica (ERC), una afección progresiva y muchas veces silenciosa que, si no se detecta a tiempo, puede conducir a complicaciones severas, incluida la necesidad de diálisis o trasplante renal. En este contexto, un nuevo estudio publicado en Artificial Intelligence in Medicine para el año 2025 aporta una poderosa herramienta: el uso de redes neuronales profundas para identificar de forma temprana y precisa el estadio de la ERC en personas con diabetes.

El reto clínico de la ERC en diabetes

Uno de los principales problemas de la ERC es su evolución asintomática durante las etapas iniciales. Muchos pacientes no presentan síntomas claros hasta que la enfermedad ya ha progresado considerablemente. A esto se suma que, en muchos controles médicos rutinarios de pacientes con diabetes, no se incluyen pruebas específicas para la función renal. La escasez de nefrólogos en algunas regiones del mundo también complica el seguimiento adecuado de estos casos.

Por estas razones, la detección temprana y precisa del estadio de la ERC en pacientes diabéticos representa un objetivo clínico crítico. Intervenir en las etapas tempranas puede marcar una diferencia radical en la progresión de la enfermedad y en la calidad de vida de los pacientes.

Un enfoque innovador: inteligencia artificial con TabNet

El equipo de investigadores liderado por Md Nakib Hayat Chowdhury y colegas de instituciones de varios países desarrolló un modelo predictivo de estadios de ERC específicamente para pacientes diabéticos, utilizando datos longitudinales del estudio CRIC (Chronic Renal Insufficiency Cohort). Este extenso estudio reúne información médica detallada y de seguimiento de pacientes con insuficiencia renal crónica.

El modelo se construyó utilizando TabNet, una arquitectura de aprendizaje profundo basada en atención secuencial. TabNet se destaca por su capacidad para seleccionar automáticamente las variables más relevantes en grandes conjuntos de datos tabulados, ofreciendo al mismo tiempo transparencia en sus decisiones, algo fundamental para su uso en entornos clínicos.

Modelos completos y simplificados

Los investigadores desarrollaron dos versiones del modelo TabNet:

• Modelo completo: Utiliza 31 variables, incluidas biomarcadores complejos como la creatinina sérica y la cistatina C, que requieren análisis de laboratorio más sofisticados.

• Modelo simplificado: Utiliza solo 15 variables que pueden obtenerse fácilmente en chequeos médicos de rutina, como edad, sexo, niveles de glucosa, presión arterial y antecedentes médicos.

Ambos modelos demostraron un rendimiento sobresaliente. El modelo completo alcanzó una precisión del 94.06 % en validación cruzada y del 91 % en pruebas externas, mientras que el modelo simplificado obtuvo 92.71 % y 88 %, respectivamente. Esto sugiere que incluso con información limitada, la red puede predecir con alta precisión el estadio de la ERC.

Comparación con otros modelos

Para evaluar la solidez del enfoque, los resultados de TabNet se compararon con otros modelos ampliamente utilizados en machine learning: XGBoost, random forest, AdaBoost y una red neuronal multicapa (MLP). Aunque estos modelos también obtuvieron buenos resultados, TabNet superó a todos en precisión y capacidad de generalización, consolidándose como una herramienta muy prometedora.

Inteligencia artificial explicable: hacia una medicina más transparente

Uno de los aspectos más importantes de la aplicación de inteligencia artificial en medicina es la necesidad de entender cómo y por qué los modelos toman ciertas decisiones. Para ello, los investigadores aplicaron técnicas de IA explicable (XAI, por sus siglas en inglés), tanto específicas del modelo como independientes del mismo. Estas técnicas permitieron identificar las variables que más influyeron en las decisiones del modelo.

Entre los factores más determinantes en la predicción del estadio de la ERC estuvieron:

• Creatinina sérica

• Cistatina C

• Edad del paciente

• Sexo

Estos hallazgos no solo validan el modelo desde una perspectiva clínica, sino que también ofrecen a los médicos una base comprensible para tomar decisiones informadas.

Impacto clínico y futuro del modelo

Este estudio representa un avance significativo en la intersección entre inteligencia artificial y medicina clínica. Gracias a modelos como el propuesto por Chowdhury y su equipo, los profesionales de la salud podrían contar con una herramienta adicional para identificar precozmente a los pacientes diabéticos con riesgo de deterioro renal, incluso en contextos donde no se dispone de pruebas de laboratorio avanzadas.

Además, el modelo simplificado podría integrarse fácilmente en sistemas de historia clínica electrónica o en aplicaciones móviles de salud, haciendo que esta tecnología esté al alcance de médicos generales, enfermeros y otros profesionales en atención primaria.

Un paso hacia la equidad en salud

La capacidad del modelo simplificado para funcionar con datos de rutina lo convierte en un recurso valioso en regiones con acceso limitado a especialistas o tecnologías diagnósticas de alta complejidad. Así, esta innovación no solo tiene un valor técnico, sino también ético y social, ya que contribuye a reducir las desigualdades en el diagnóstico y tratamiento de enfermedades crónicas como la ERC.

Conclusión

La combinación de datos clínicos longitudinales, aprendizaje profundo con TabNet y técnicas de inteligencia artificial explicable ha dado lugar a una poderosa herramienta para la detección temprana de la enfermedad renal crónica en pacientes con diabetes. Este enfoque no solo mejora la precisión diagnóstica, sino que también hace que los modelos sean comprensibles y utilizables en la práctica clínica real. La investigación de Chowdhury et al. nos recuerda que, en la era digital, la inteligencia artificial no reemplaza al médico, sino que lo potencia, proporcionándole herramientas más precisas y accesibles para cuidar mejor a sus pacientes.

En un mundo donde la diabetes y la insuficiencia renal aumentan cada año, avances como este nos muestran que la inteligencia artificial puede ser la aliada que la medicina moderna necesita para anticiparse, prevenir la enfermedad y salvar vidas.

Bibliografía

• Chowdhury, M. N. H., Reaz, M. B. I., Ali, S. H. M., Crespo, M. L., Ahmad, S., Salim, G. M., Haque, F., García Ordóñez, L. G., Islam, M. J., Mahdee, T. M., Zaman, K. S., Hemel, M. S. K., & Bhuiyan, M. A. S. (2025). Deep learning for early detection of chronic kidney disease stages in diabetes patients: A TabNet approach. Artificial Intelligence in Medicine, 145, 103153. https://doi.org/10.1016/j.artmed.2025.103153

#ArtificialIntelligence #Medicine #Surgery #Medmultilingua