Compuestos orgánicos volátiles (COV) en orina combinados con algoritmos de aprendizaje automático en el diagnóstico de cálculos biliares con colecistitis

Por qué un análisis de orina podría ahorrarte una exploración

Los cálculos biliares y las inflamaciones de la vesícula biliar son problemas comunes y dolorosos que a menudo envían a las personas a urgencias. Hoy, los médicos suelen apoyarse en ecografías o en TAC y resonancias para diagnosticarlos, pero estas pruebas pueden ser costosas, depender del operador o exponer al paciente a radiación. Este estudio explora una alternativa sencilla: usar los vapores químicos invisibles en la orina, detectados por un equipo sensible e interpretados por inteligencia artificial, para identificar cálculos biliares con inflamación de la vesícula de forma temprana y sin agujas ni escáneres.

La química oculta de la enfermedad

Nuestros cuerpos emiten constantemente diminutas sustancias químicas volátiles, llamadas compuestos orgánicos volátiles (COV), en el aliento, el sudor y la orina. Estas moléculas cambian cuando algo va mal en el organismo, reflejando variaciones en la inflamación, el metabolismo e incluso en los microbios intestinales. Los investigadores se centraron en los COV presentes en la orina de personas con cálculos biliares y colecistitis frente a voluntarios sanos. Dado que la orina es fácil y indolora de obtener, es un material atractivo para desarrollar pruebas de cribado cómodas que los pacientes puedan repetir según sea necesario.

Convertir la orina en una huella química

Para leer estas señales químicas, el equipo empleó una tecnología llamada cromatografía de gases con espectrometría de movilidad iónica (GC‑IMS). En términos sencillos, este dispositivo separa primero los distintos vapores de cada muestra de orina y luego mide la velocidad con que sus formas cargadas se desplazan a través de un campo eléctrico. El resultado es un “mapa” bidimensional tipo huella para cada persona, que captura docenas de picos químicos distintos. A partir de 200 participantes —100 pacientes y 100 controles sanos— los investigadores recogieron orina de mitad del flujo congelada, la procesaron bajo condiciones estrictamente estandarizadas y extrajeron 60 picos de COV medidos de forma fiable, 49 de los cuales pudieron identificarse químicamente.

Dejar que las máquinas aprendan el patrón de la enfermedad

Estas huellas químicas son demasiado complejas para que las interprete el ojo humano, por lo que el equipo recurrió al aprendizaje automático: programas informáticos que encuentran patrones en grandes conjuntos de datos. Entrenaron cuatro tipos de modelos con el 70% de las muestras y los probaron con el 30% restante. Tres de los modelos —redes neuronales, bosques aleatorios y máquinas de vectores de soporte— obtuvieron un rendimiento fuerte, separando correctamente a la mayoría de pacientes de las personas sanas. Sus puntuaciones en una medida estándar de precisión llamada área bajo la curva ROC oscilaron entre aproximadamente 0,82 y 0,86, lo que indica un buen equilibrio entre detectar casos reales y evitar falsas alarmas, mientras que un modelo más sencillo de árbol de decisión quedó por detrás.

Un puñado de pistas olfativas clave

Los investigadores se plantearon entonces una pregunta práctica: ¿podría un conjunto más pequeño y manejable de COV seguir conteniendo suficiente información para ser útil? Utilizando herramientas de importancia de características y un explicador basado en teoría de juegos llamado SHAP, destacaron cinco compuestos clave: linalool, disulfuro de propenilo‑propilo, metiltiobutirato‑M, butilamina y metil pentanoato‑M. Los modelos construidos usando solo cuatro de estos alcanzaron áreas bajo la curva alrededor de 0,76–0,81, no muy lejos de los modelos con todos los datos. Algunos de estos compuestos se asocian con inflamación, metabolismo de las grasas y respuestas inmunitarias, lo que sugiere que los mismos procesos que impulsan los cálculos y la inflamación de la vesícula también modifican la firma química de la orina.

Qué podría significar esto para los pacientes

Para el lector no especializado, la conclusión es que un análisis rápido de orina, analizado por un instrumento compacto y un software inteligente, podría algún día ayudar a detectar cálculos biliares con colecistitis de forma temprana —antes de que los síntomas se agraven o sean necesarias exploraciones repetidas—. Este enfoque es no invasivo, no depende de la pericia del operador y podría ser relativamente económico, lo que lo hace atractivo para cribados de rutina o para hospitales con recursos de imagen limitados. Aunque el estudio se realizó en un solo centro y necesitará confirmación en ensayos más amplios y multicéntricos, ofrece una visión prometedora de un futuro en el que los médicos puedan leer el “aliento químico” del cuerpo a partir de la orina para guiar decisiones sobre la enfermedad de la vesícula biliar de manera más rápida y segura.

Cita: Zhao, X., Li, X., Zhang, R. et al. Urine volatile organic compounds (VOCs) combined with machine learning algorithm in the diagnosis of gallstones with cholecystitis. Sci Rep 16, 6424 (2026). https://doi.org/10.1038/s41598-026-36709-6

Palabras clave: cálculos biliares, colecistitis, biomarcadores en orina, compuestos orgánicos volátiles, diagnóstico por aprendizaje automático