Modelado longitudinal de la condición post-COVID-19 durante tres años: un enfoque de aprendizaje automático usando marcadores clínicos, neuropsicológicos y de fluidos

Por qué importan todavía los síntomas persistentes de COVID

Millones de personas en todo el mundo siguen encontrándose mal meses o incluso años después de contraer COVID‑19. Esta condición, a menudo llamada COVID prolongado o Condición post‑COVID‑19, puede provocar una fatiga intensa, “niebla mental”, problemas de sueño y otros síntomas que son difíciles de detectar con las pruebas médicas habituales. El estudio que se describe aquí siguió a un grupo de adultos durante tres años tras la infección y utilizó técnicas informáticas modernas para buscar en su sangre, exploraciones clínicas y pruebas de funciones cognitivas patrones que revelen cómo evoluciona el COVID prolongado con el tiempo y qué medidas reflejan mejor la recuperación o la persistencia de la enfermedad.

Seguimiento de los pacientes a largo plazo

Investigadores en Alemania reclutaron a 93 adultos con infección confirmada por SARS‑CoV‑2 y que presentaban quejas neurológicas o neuropsicológicas persistentes. Estos participantes, en su mayoría de mediana edad, fueron examinados en cuatro ocasiones: aproximadamente a los 6, 14, 23 y 38 meses tras la infección inicial. En cada visita completaron cuestionarios detallados sobre fatiga, estado de ánimo y sueño; se sometieron a pruebas breves y más extensas de atención, memoria y velocidad mental; y aportaron muestras de sangre para un amplio panel de mediciones de laboratorio. Estos incluyeron marcadores sanitarios estándar, señales de inflamación, actividad del sistema inmunitario y proteínas especializadas liberadas cuando las células cerebrales resultan dañadas.

Dejar que los ordenadores encuentren patrones ocultos

En lugar de analizar un síntoma o una prueba sanguínea a la vez, el equipo recurrió al aprendizaje automático, una rama de la inteligencia artificial que puede procesar muchas variables a la vez y detectar relaciones sutiles. Entrenaron una variedad de modelos informáticos para responder a una pregunta concreta: dado el conjunto de datos de una visita clínica, ¿puede el algoritmo determinar de qué año de seguimiento procede esa visita? En otras palabras, ¿el perfil global de una persona a los 6 meses se ve de forma mensurable diferente al de 2 o 3 años? Los investigadores manejaron cuidadosamente los valores faltantes, usaron validación cruzada para evitar sobreajustar el modelo a una muestra pequeña y compararon distintas familias de modelos, desde árboles de decisión sencillos hasta métodos sofisticados de aumento de gradiente (gradient boosting).

Qué señales indican mejor el paso del tiempo

Los modelos funcionaron sorprendentemente bien. Al comparar visitas separadas por más tiempo—como la primera y la cuarta—algunos algoritmos asignaron correctamente el año en más del 90 por ciento de los casos. Incluso entre puntos temporales más próximos, la precisión se mantuvo alta, descendiendo solo algo entre la tercera y la cuarta visita, lo que sugiere que los perfiles de los pacientes cambian más despacio en fases avanzadas. Los métodos con mejor rendimiento fueron los modelos de aumento de gradiente basados en árboles, que destacan al encontrar patrones no lineales. Para abrir la “caja negra” y ver qué impulsaba esas decisiones, el equipo empleó herramientas de explicabilidad llamadas SHAP y LIME que ordenan qué características empujan una predicción en una dirección u otra.

Pistas inmunitarias, niebla mental y cambio de importancia

De múltiples análisis emergió un cuadro coherente. Los niveles de moléculas inflamatorias en sangre—especialmente ciertas interleuquinas como IL‑2, IL‑8 e IL‑10—estuvieron entre las pistas más fuertes que separaban seguimientos tempranos de los tardíos. Medidas de la respuesta de anticuerpos frente al virus, particularmente los dirigidos contra la proteína spike (que también reflejan la vacunación con el tiempo), fueron también indicadores potentes. En el aspecto cognitivo, las pruebas de memoria verbal y de búsqueda de palabras, junto con puntuaciones relacionadas con la fatiga y la somnolencia, aportaron información importante, sobre todo en las etapas iniciales tras la infección. Con el paso del tiempo, los marcadores inmunitarios tendieron a ganar peso en los modelos, mientras que algunas medidas neuropsicológicas se volvieron menos centrales, lo que sugiere que los motores biológicos del COVID prolongado pueden evolucionar a lo largo de los años.

Qué supone esto para los pacientes y la atención sanitaria

Para los no especialistas, el mensaje clave es que el COVID prolongado no es solo una colección vaga de quejas. Cuando se sigue con cuidado durante varios años, señales objetivas en sangre y en pruebas de habilidades cognitivas cambian de formas que los ordenadores pueden reconocer de forma fiable. Este estudio sugiere que una combinación de marcadores inmunitarios, niveles de anticuerpos y evaluaciones dirigidas de cognición y fatiga podría ayudar a los médicos a monitorizar quién se está recuperando, quién sigue en riesgo de problemas duraderos y qué pacientes podrían beneficiarse más de tratamientos emergentes centrados en el sistema inmune. Aunque se necesitan estudios más amplios antes de que estas herramientas lleguen a la práctica rutinaria, el trabajo demuestra cómo la inteligencia artificial puede ayudar a convertir la realidad compleja del COVID prolongado en información más clara y útil para pacientes y clínicos.

Cita: Walders, J., Wetz, S., Costa, A.S. et al. Longitudinal modeling of Post-COVID-19 condition over three years: A machine learning approach using clinical, neuropsychological, and fluid markers. Sci Rep 16, 6517 (2026). https://doi.org/10.1038/s41598-026-37635-3

Palabras clave: COVID prolongado, aprendizaje automático, inflamación, síntomas cognitivos, biomarcadores inmunitarios