Clasificación imparcial de pacientes con insuficiencia hepática aguda sobre crónica mediante aprendizaje automático en una cohorte real de UCI

Por qué esto importa para las personas con enfermedad hepática

Cuando personas con enfermedad hepática crónica empeoran de forma súbita, los médicos deben valorar con rapidez quiénes tienen mayor riesgo de morir y quiénes podrían recuperarse. Hoy esas decisiones se basan en sistemas de puntuación construidos a partir de la opinión de expertos y estudios pequeños. Este artículo muestra cómo un enfoque impulsado por datos y por aprendizaje automático puede descubrir patrones ocultos en pacientes de unidades de cuidados intensivos (UCI) con insuficiencia hepática aguda sobre crónica en el mundo real, y apunta a maneras más sencillas y precisas de identificar a quienes necesitan la atención más agresiva.

Clasificar a pacientes muy graves sin suposiciones previas

Los investigadores estudiaron a 1.256 pacientes de UCI con insuficiencia hepática aguda sobre crónica, definida por criterios norteamericanos que se centran en las fallas del cerebro, los pulmones, el corazón y la circulación, y los riñones. En lugar de partir de puntuaciones hepáticas establecidas, introdujeron 50 variables clínicas y de laboratorio medidas de forma rutinaria en un método no supervisado de aprendizaje automático llamado factorización de matriz no negativa. Esta técnica busca agrupaciones naturales en los datos sin indicarle de antemano qué características son importantes ni cuántos tipos de pacientes esperar. Un algoritmo separado se utilizó para ensayar distintas soluciones y decidir cuántos clústeres encajaban mejor con los datos.

Dos grupos claros con resultados muy diferentes

En múltiples variantes del método de agrupamiento, los datos se dividieron de forma consistente en solo dos grupos de pacientes. El modelo ganador, conocido como el algoritmo de Lee, produjo clústeres muy estables: los mismos pacientes tendían a agruparse juntos incluso cuando el modelo se ejecutaba muchas veces. Al comparar la supervivencia, los autores hallaron diferencias llamativas. Un clúster tuvo una tasa de mortalidad a 30 días de aproximadamente 70%, mientras que el otro rondó el 26%. Este esquema simple de dos clústeres predijo la mortalidad mejor que el enfoque tradicional de contar cuántos órganos habían fallado, a pesar de que ambos grupos contenían pacientes con una mezcla de fallos orgánicos.

Química sanguínea y metabolismo como señales clave

Para entender qué separaba a los clústeres, el equipo examinó qué mediciones impulsaban con mayor fuerza la agrupación. Varios marcadores familiares de enfermedad crítica, como la necesidad de fármacos para la presión arterial, los niveles de lactato en sangre y la creatinina (un marcador de función renal), resultaron importantes. Pero un hallazgo especialmente notable fue que medidas del equilibrio ácido–base en la sangre —bicarbonato, pH, exceso de base, lactato y la brecha aniónica— se encontraban entre los principales contribuyentes. El clúster de alto riesgo tendía a presentar alteraciones ácido–base más graves: pH y bicarbonato más bajos, déficits de base mayores y brechas aniónicas elevadas, coherentes con estrés metabólico generalizado y mala oxigenación tisular. Estos patrones sugieren que la capacidad del organismo para mantener su equilibrio químico puede ser tan importante como qué órganos han fallado.

Comprobar el patrón en otros grupos de pacientes

Dado que los datos de UCI proceden de un único sistema sanitario y de una definición de insuficiencia hepática aguda sobre crónica, los autores verificaron si sus hallazgos se mantenían en otros entornos. Aplicaron el mismo modelo a pacientes que cumplían una definición europea del síndrome y a un grupo más amplio de pacientes de UCI con cirrosis descompensada, muchos de los cuales no calificaban formalmente como insuficiencia hepática aguda sobre crónica. En ambos contextos, el agrupamiento volvió a dividir a los pacientes en dos grupos con diferencias igualmente grandes en la mortalidad a 30 días, y las mismas variables relacionadas con el equilibrio ácido–base siguieron siendo centrales. Una base de datos independiente de UCI de muchos hospitales de EE. UU., aunque sin datos de resultados a largo plazo, mostró la misma estructura de dos clústeres y variables clave solapadas, lo que respalda la robustez del enfoque.

Qué podría significar para la atención futura

El estudio aún no ofrece una herramienta de cabecera que mejore directamente la supervivencia, y tiene limitaciones, entre ellas su enfoque en pacientes de UCI muy graves y la dependencia de datos retrospectivos. Sin embargo, ofrece una prueba de concepto de que un método imparcial y basado en datos puede revelar subtipos clínicamente significativos dentro de una condición compleja que durante mucho tiempo ha resistido una clasificación simple. Para pacientes y familias, el mensaje principal es que el equilibrio de ácidos y bases en la sangre —algo que los médicos ya miden de forma rutinaria— puede proporcionar pistas potentes sobre el riesgo y la recuperación en crisis hepáticas graves. Con más investigación y pruebas prospectivas, estos modelos de agrupamiento podrían ayudar a los clínicos a identificar antes a los pacientes más frágiles y diseñar tratamientos que apunten a las alteraciones metabólicas que impulsan sus malos resultados.

Cita: Zhang, M., Ji, F., Zu, J. et al. Unbiased clustering of acute-on-chronic liver failure patients using machine learning in a real-world ICU cohort. Nat Commun 17, 1670 (2026). https://doi.org/10.1038/s41467-026-68368-6

Palabras clave: insuficiencia hepática aguda sobre crónica, aprendizaje automático, resultados en UCI, equilibrio ácido-base, cirrosis