Una red bayesiana para identificar las causas de la disnea utilizando una base de datos nacional de historias clínicas electrónicas (EMR)

Por qué importa encontrar la causa de la disnea

Sentir dificultad para respirar puede ser aterrador, ya sea que aparezca de forma repentina o se instale durante meses. La disnea suele ser la primera señal de que hay un problema en el corazón o en los pulmones, pero los médicos en la práctica general diaria se enfrentan a una larga lista de posibles causas y disponen de tiempo y pruebas limitados. Este estudio describe una nueva herramienta informática que utiliza patrones en millones de historias clínicas anónimas para ayudar a los médicos de cabecera a identificar rápidamente las razones más probables por las que un paciente tiene falta de aire, con el objetivo de acelerar el diagnóstico y evitar pruebas innecesarias.

Un síntoma común con muchas raíces posibles

La disnea, a veces llamada falta de aliento o disnea, es una queja muy frecuente con consecuencias graves. Las personas que se sienten más a menudo con falta de aire suelen tener peor calidad de vida, más ansiedad y depresión, y un mayor riesgo de hospitalización y muerte prematura. Está especialmente vinculada a enfermedades pulmonares crónicas como el asma y la enfermedad pulmonar obstructiva crónica (EPOC), y a enfermedades cardíacas como la insuficiencia cardiaca, pero también puede deberse a infecciones, coágulos sanguíneos o incluso cáncer. Debido a que tantas enfermedades comparten este único síntoma, los médicos de cabecera a menudo tienen que pedir múltiples pruebas y derivar a los pacientes a distintos especialistas, lo que puede retrasar el tratamiento adecuado y aumentar los costes sanitarios.

Convertir registros rutinarios en una herramienta de aprendizaje

Los investigadores accedieron a una gran base de datos del Reino Unido de historias clínicas electrónicas de 50 consultas de atención primaria, que cubre aproximadamente 136.000 adultos que acudieron al médico por disnea entre 2002 y 2024. A partir de esos registros identificaron casi 385.000 «episodios» distintos de disnea y los vincularon, cuando fue posible, a diez diagnósticos clave conocidos por causar falta de aire, incluidos asma, EPOC, insuficiencia cardiaca, cáncer de pulmón, neumonía y tromboembolismo pulmonar. Para hacerlo de manera justa, definieron ventanas temporales alrededor de cada episodio: para un problema de evolución rápida como la neumonía consideraron solo un par de semanas antes y después de la consulta, mientras que para enfermedades más lentas como el cáncer de pulmón examinaron muchos meses a cada lado. También extrajeron 34 datos sencillos sobre cada paciente —como edad, sexo, tabaquismo, síntomas como tos o sibilancias, medicamentos actuales y diagnósticos previos.

Cómo funciona la red inteligente

Con esta información, el equipo construyó un tipo de modelo estadístico llamado red bayesiana. Puede imaginarse como una telaraña de puntos conectados, donde cada punto representa algo sobre el paciente (por ejemplo, «fumador actual» o «antecedente de EPOC») o una de las diez posibles causas de la disnea. Las líneas entre los puntos muestran la intensidad de sus relaciones. Cuando un médico introduce los detalles de un paciente, la red actualiza las probabilidades de cada diagnóstico, basándose en los patrones aprendidos de todos los pacientes anteriores en la base de datos. La estructura de la red se aprendió primero a partir de los datos y luego se refinó con la aportación de especialistas en pulmón y corazón para garantizar que tuviera sentido clínico y no se basara en relaciones causa–efecto imposibles.

Qué tan bien funciona la herramienta

Para evaluar el modelo, los investigadores reservaron el 30 % de los episodios de disnea que no se usaron durante el desarrollo. En este grupo separado, la capacidad de la herramienta para distinguir entre pacientes con y sin cada condición osciló entre moderada y excelente. Por ejemplo, su puntuación de rendimiento (conocida como ROC-AUC) fue de 0,94 para insuficiencia cardiaca y 0,90 para asma, lo que significa que raramente confundía a los pacientes que tenían o no esas enfermedades. Incluso para diagnósticos más difíciles, como infecciones torácicas no neumónicas, el rendimiento fue superior al azar. Comprobaciones adicionales mostraron que las probabilidades que producía el modelo coincidían de cerca con lo observado en los datos. No es sorprendente que los antecedentes previos de una enfermedad fueran a menudo la pista más fuerte de que un nuevo episodio se debía a la misma condición.

Qué podría significar esto para pacientes y médicos

Los autores ya han integrado esta red en un sistema de apoyo a la decisión clínica que se conecta al software de los médicos de cabecera y lo están probando en un ensayo en consultas australianas. Si sigue funcionando bien, la herramienta podría ayudar a los médicos a ver rápidamente qué diagnósticos son más y menos probables cuando alguien acude por disnea, orientándolos hacia las pruebas más informativas en primer lugar. Esto no sustituye el juicio del médico, ni puede cubrir todas las causas posibles, pero puede ofrecer una «segunda opinión» basada en la evidencia extraída de cientos de miles de casos similares. En términos cotidianos, el estudio sugiere que los registros electrónicos analizados cuidadosamente pueden convertirse en una especie de asesor silencioso de fondo —uno que ayuda a acortar el camino desde la primera sensación aterradora de falta de aire hasta un diagnóstico claro y un tratamiento adecuado.

Cita: Kabir, A., Devaux, A., Jenkins, C. et al. A Bayesian network for identifying causes of breathlessness using a national electronic medical records (EMR) database. Sci Rep 16, 4900 (2026). https://doi.org/10.1038/s41598-026-35250-w

Palabras clave: disnea, atención primaria, red bayesiana, historias clínicas electrónicas, apoyo a la decisión diagnóstica