Avances de la IA en la enfermedad renal: imágenes de retina, riesgo de hospitalización y nefritis lúpica

La inteligencia artificial se aplica cada vez más en la atención de la enfermedad renal, y nuevas investigaciones demuestran la capacidad de la IA para predecir la enfermedad renal diabética a partir de imágenes de retina, señalar a pacientes en hemodiálisis con riesgo inminente de hospitalización y avanzar en el diagnóstico y tratamiento de la nefritis lúpica. Los hallazgos provienen de estudios presentados en reuniones médicas y publicados en revistas revisadas por pares.

Un sistema de aprendizaje profundo basado en imágenes de retina (DeepDKD Plus) predice con precisión la incidencia y la progresión de la enfermedad renal diabética (DKD), superando a los modelos clínicos tradicionales, según los resultados de un estudio presentado en la reunión anual de la Association for Research in Vision and Ophthalmology (ARVO) 2026, celebrada en Denver, CO, del 3 al 7 de mayo de 2026. El estudio retrospectivo y multicéntrico desarrolló DeepDKD Plus para realizar dos tareas: predecir la incidencia de DKD a 5 años —definida como disminución de la tasa de filtración glomerular estimada (TFGe) a <60 mL/min/1,73 m² o ACR >30 mg/g— en personas con función renal preservada; y predecir la progresión de la DKD a 5 años —definida como disminución ≥40% de la TFGe o insuficiencia renal— en pacientes con enfermedad renal preexistente.

El modelo se entrenó con 11 116 imágenes de retina de 5558 pacientes chinos con diabetes, seguido de validación interna y validación externa en cinco cohortes multiétnicas de China, México y el Reino Unido (n=13 935). Para predecir la incidencia de DKD a 5 años, DeepDKD Plus mostró una discriminación sólida en las pruebas internas con un área bajo la curva (AUC) de 0,814 (IC del 95%, 0,789–0,838), superando el rendimiento del modelo de metadatos clínicos, que alcanzó un AUC de 0,760 (IC del 95%, 0,733–0,786; P<0,001). Cuando se combinaron las imágenes de retina con variables clínicas, el rendimiento mejoró aún más hasta un AUC de 0,828 (IC del 95%, 0,804–0,850). En las cohortes externas, el modelo de aprendizaje profundo mantuvo una precisión constante, con AUC que oscilaron entre 0,722 y 0,797, en comparación con 0,676 a 0,735 para el enfoque basado en metadatos. Para predecir la progresión de la DKD a 5 años, DeepDKD Plus logró un AUC interno de 0,762 (IC del 95%, 0,732–0,788), superando nuevamente al modelo de metadatos (AUC 0,712; IC del 95%, 0,684–0,743; P<0,001), mientras que el modelo combinado alcanzó un AUC de 0,797 (IC del 95%, 0,772–0,820). Los resultados de la validación externa fueron similares, con DeepDKD Plus produciendo AUC entre 0,726 y 0,772, en comparación con 0,656 a 0,731 para el modelo clínico solo.

En otro avance, los modelos de aprendizaje automático impulsados por IA pueden identificar a los pacientes en hemodiálisis con riesgo de hospitalización por infección o anomalías relacionadas con el estado de líquidos en un plazo de 7 días. Una gran organización de diálisis empleó 2 modelos de predicción de hospitalización inminente (IHPM, por sus siglas en inglés) –1 para sobrecarga de líquidos y 1 para infección– para identificar a los pacientes que probablemente tendrían una hospitalización después de su sesión de hemodiálisis en el centro. Los modelos integraron historias clínicas electrónicas de diálisis y datos de reclamaciones, y cada uno generó una puntuación de riesgo (rango: 0-1), con un umbral de puntuación de riesgo de 0,64 o superior que predecía hospitalización inmediata. Para los pacientes con puntuaciones altas, las enfermeras gestoras de casos revisaron las 5 razones principales de la puntuación junto con los datos clínicos, que aparecían en un panel. Según la evaluación, las enfermeras podían concertar intervenciones, incluido el manejo de líquidos (p. ej., reevaluación del peso seco, extensión o diálisis adicional); revisión de medicamentos (p. ej., iniciación, suspensión o ajuste de terapias como antibióticos o diuréticos); derivación a especialistas; implementación de algoritmos de tratamiento en la clínica (p. ej., manejo de la anemia, suplementación nutricional, monitoreo del acceso vascular); y otros cuidados de apoyo (p. ej., derivación a recursos comunitarios, transporte, salud en el hogar, salud conductual o evaluación para trasplante). Los investigadores estudiaron a 10 294 pacientes que aportaron 83 928 puntuaciones de riesgo. Las probabilidades de hospitalización disminuyeron significativamente en un 8% con la intervención impulsada por IA (OR 0,92; P=0,025), incluido un 7% con atención remota gestionada por enfermeras y un 9% con atención gestionada en la clínica. Los hallazgos se informaron en NEJM Catalyst.

La IA también muestra potencial en la nefritis lúpica (NL). Una revisión exhaustiva de los últimos avances en el diagnóstico y tratamiento de la NL, con un enfoque en la aplicación de la IA y las tecnologías de aprendizaje automático, se publicó en The Lancet. La biopsia renal se considera la herramienta diagnóstica de referencia; sin embargo, debido a la naturaleza invasiva de este procedimiento, solo se debe considerar en candidatos apropiados. La variabilidad entre observadores derivada de las limitaciones humanas es una preocupación, y la digitalización del análisis de la biopsia renal puede mejorar la precisión de las lecturas. Cuando se combina con IA y ML, pueden identificarse los detalles del diagnóstico de subgrupos, mejorando así la personalización de las vías de tratamiento. Los investigadores hicieron referencia a un novedoso algoritmo evolutivo esférico, fundado en un supervolumen rugoso binario combinado con muestreo inteligente agrupado (bRGSE), que logró un nivel de precisión del 96,687% y una sensibilidad del 97,833% para discriminar entre NL proliferativa y NL membranosa.

La revisión también cubrió tratamientos biológicos dirigidos para la NL, incluidos productos biológicos dirigidos a células B y células plasmáticas, células T, citocinas y la cascada del complemento. Las decisiones de tratamiento podrían basarse en el análisis basado en IA de datos multiómicos, que integra información de múltiples niveles biológicos, incluidos genómica, transcriptómica, proteómica y metabolómica. Dos temas que generan considerable expectación son la degradación de proteínas dirigida y la farmacogenómica. La farmacogenómica en el tratamiento de la NL se aplicaría para comprender cómo los polimorfismos genéticos afectan el metabolismo de los fármacos, su eficacia y la presentación de reacciones adversas. Los investigadores concluyen que la medicina de precisión, que algún día podría lograrse mediante la aplicación de IA y ML en el tratamiento de la NL, es muy prometedora.

En términos más generales, la inteligencia artificial en nefrología abarca una variedad de enfoques de modelado, según una revisión del estado del arte publicada en International Journal of Molecular Sciences. Para datos médicos registrados en forma tabular (como resultados de pruebas, edad y parámetros clínicos), modelos como la regresión logística, los bosques aleatorios y XGBoost funcionan muy bien. Las soluciones intermedias, como el perceptrón multicapa, combinan las ventajas de los modelos clásicos con las de métodos más complejos. Los modelos más avanzados (redes neuronales profundas) se utilizan cuando los datos son más complejos, por ejemplo, en el análisis de imágenes médicas, y pueden reconocer estructuras y patrones independientemente de su disposición, lo que es particularmente importante en el diagnóstico histopatológico. La dirección más innovadora implica combinar la inteligencia artificial con análisis biológicos modernos, como la proteómica o la metabolómica, lo que permite detectar signos muy tempranos de enfermedad antes de que aparezcan los síntomas o se observen cambios en las pruebas estándar. Como destacó un profesor de la Universidad Médica de Wroclaw: “El mayor potencial de estos métodos reside en su capacidad para analizar vastos conjuntos de datos biológicos e identificar patrones invisibles en el diagnóstico clásico. En la práctica, esto significa la posibilidad de detectar antes la enfermedad y predecir mejor su curso antes de que se produzca un daño renal irreversible”.