En Nefrología, se están utilizando modelos de Machine Learning para predecir la progresión de la Enfermedad Renal Crónica
Por: Dra. Karen Courville, FACP, SNI, GNI-CSS
La Dra. Karen Courville es egresada de la Facultad de Medicina de la Universidad de Panamá. Realizó estudios en Medicina Interna y Nefrología en el Complejo Hospitalario Dr. Arnulfo A. Madrid. Tiene un Fellow en Investigación Renal del Instituto Mario Negri en Bérgamo, Italia. Investigadora del Instituto de Ciencias Médicas de Las Tablas. Miembro del Sistema Nacional de Investigación (SNI)
El Machine Learning (aprendizaje automático) es una rama de la inteligencia artificial que permite a las computadoras aprender y mejorar de forma autónoma a partir de datos, sin necesidad de ser programadas explícitamente para cada tarea. En lugar de seguir reglas rígidas, el sistema identifica patrones complejos en grandes volúmenes de información para realizar predicciones o tomar decisiones.
En la actualidad existen de manera principal tres tipos de aprendizaje, definidos por cómo el algoritmo procesa la información:
1. Aprendizaje supervisado: el algoritmo se entrena con un conjunto de datos «etiquetados», es decir, el sistema ya conoce la respuesta correcta para cada ejemplo. Sirve para clasificar datos (ej. identificar si un correo es spam) o predecir valores numéricos (ej. el precio de una vivienda).
2. Aprendizaje No Supervisado: aquí los datos no tienen etiquetas ni respuestas previas. El algoritmo debe encontrar estructuras o grupos ocultos por sí solo. Por ejemplo, puede usarse para agrupar clientes con comportamientos similares (clustering) o reducir la complejidad de grandes bases de datos.
3. Aprendizaje por Refuerzo: el sistema aprende mediante el método de ensayo y error, recibiendo «premios» o «castigos» según sus acciones en un entorno dinámico. Es usado, por ejemplo, para navegación de robots autónomos o toma de decisiones en juegos complejos como el ajedrez.
El aprendizaje automático ha transformado la medicina moderna al permitir un análisis mucho más rápido y preciso que el ojo humano en ciertas áreas.
Potencial del Machine Learning en salud
El potencial del Machine Learning en salud radica en su capacidad para procesar dimensiones de datos que el cerebro humano no puede correlacionar simultáneamente, como la genética, el estilo de vida y el historial clínico. Vamos a compartir algunos ejemplos que ya se están poniendo en práctica:
1. Diagnóstico por Imágenes (Radiología y Patología)
Se han implementado algoritmos de Aprendizaje Supervisado entrenados con millones de radiografías, tomografías y resonancias magnéticas. Actualmente existen sistemas que detectan nódulos pulmonares cancerígenos o retinopatía diabética con una precisión igual o superior a la de especialistas humanos, permitiendo un triage más rápido en hospitales con alta carga de pacientes.
2. Medicina Predictiva y Preventiva
Mediante el análisis de historias clínicas electrónicas y datos en tiempo real de dispositivos biomédicos, el machine learning identifica pacientes en riesgo antes de que ocurra una crisis. Existen algoritmos que predicen la aparición de sepsis (una respuesta inmunitaria extrema que puede ser mortal) horas antes de que se manifiesten los síntomas clínicos evidentes, permitiendo al personal médico intervenir preventivamente y salvar vidas.
3. Descubrimiento y Desarrollo de Fármacos
Tradicionalmente, desarrollar un nuevo medicamento toma años y miles de millones de dólares. El Machine Learning está acelerando este proceso mediante algoritmos que simulan cómo interactúan miles de moléculas con una proteína específica del cuerpo para identificar candidatos a fármacos en días, no años. Además, hay algoritmos para reposicionamiento de medicamentos, que ayudan a identificar si fármacos ya aprobados para una enfermedad podrían ser efectivos para otra totalmente distinta.
4. Genómica y Medicina de Precisión
Cada cuerpo reacciona de forma diferente a los tratamientos según su ADN. El ML ayuda a realizar análisis de mutaciones, ya que el aprendizaje automático ayuda a identificar qué variaciones genéticas específicas están relacionadas con enfermedades raras o con la predisposición al cáncer.
También permite diseñar esquemas de quimioterapia o dosis de medicamentos ajustadas al perfil metabólico exacto del paciente, reduciendo efectos secundarios, lo que se conoce como tratamientos personalizados.
5. Gestión y Optimización Hospitalaria
No todo es clínico; la eficiencia operativa salva vidas al reducir tiempos de espera. Hay modelos que analizan tendencias climáticas, brotes epidemiológicos y datos históricos para predecir cuántos pacientes llegarán a urgencias el próximo fin de semana, permitiendo ajustar el personal necesario. Además, se puede identificar qué pacientes tienen mayor riesgo de volver a ser hospitalizados tras el alta, para asignarles un seguimiento domiciliario más estricto.
6. Cirugía Asistida por IA
Aunque el cirujano mantiene el control, la IA actúa como un copiloto avanzado: durante una cirugía laparoscópica, el sistema puede identificar órganos críticos, vasos sanguíneos o tejido tumoral que podría ser difícil de distinguir a simple vista, enviando alertas visuales al cirujano, realizando un análisis de video en tiempo real.
7. ML en Nefrología
En Nefrología, se están utilizando modelos de Machine Learning para predecir la progresión de la Enfermedad Renal Crónica. Al analizar variables como la creatinina, la presión arterial y la proteinuria a lo largo del tiempo, la IA puede alertar si un paciente tiene una alta probabilidad de requerir diálisis en los próximos 6 meses, permitiendo intervenciones que retrasen ese desenlace.
La estabilidad del paciente durante la diálisis es un reto constante, especialmente para evitar episodios de hipotensión. Algoritmos de Machine Learning analizan el peso seco, la ganancia de líquido interdialítica y las frecuencias cardíacas previas para recomendar la tasa de ultrafiltración óptima para cada sesión. La IA puede predecir cómo responderá un paciente a la Eritropoyetina (EPO) y al hierro, sugiriendo dosis personalizadas que evitan las oscilaciones bruscas en los niveles de hemoglobina, lo cual mejora la salud cardiovascular del paciente renal.
La clasificación de las enfermedades glomerulares a menudo tiene un componente de variabilidad según el patólogo que observe la muestra. El Machine Learning (específicamente el Deep Learning) puede escanear diapositivas de biopsias renales para contar automáticamente glomérulos y cuantificar con exactitud el porcentaje de fibrosis intersticial y atrofia tubular (IFTA).
Desafíos: cada vez más humana
Estos desafíos están impulsando la creación de marcos regulatorios internacionales para asegurar que la inteligencia artificial sea «human-centric» (centrada en el humano), actuando siempre como un apoyo al juicio clínico y nunca como un sustituto sin supervisión.
Lo cierto es que la tecnología actual y futura deben ser nuestras grandes aliadas para agilizar interpretación de BIG DATA que de la manera tradicional, sería imposible realizar o tomaría muchos años.
Por: Dra. Karen Courville, FACP, SNI, GNI-CSS
