Integración del análisis de composición corporal y aprendizaje automático para la identificación no invasiva de la enfermedad hepática grasa asociada a disfunción metabólica: un estudio a gran escala basado en exámenes de salud

Por qué importa la grasa oculta en el hígado

Muchas personas que se sienten perfectamente sanas están desarrollando silenciosamente acumulación de grasa en el hígado, una condición que hoy se denomina enfermedad hepática grasa asociada a disfunción metabólica (MAFLD). Está estrechamente ligada al aumento de peso, la glucemia alta y las enfermedades cardiovasculares, pero a menudo pasa desapercibida en los controles rutinarios porque medidas estándar como el peso y los análisis de sangre básicos no revelan completamente lo que sucede dentro del cuerpo. Este estudio investiga si un escaneo rápido de composición corporal combinado con algoritmos informáticos modernos puede identificar a quienes corren riesgo mucho antes de que aparezcan daños hepáticos graves.

Mirar dentro del cuerpo sin una aguja

Los investigadores utilizaron registros de más de 23.000 adultos en China que se sometieron a exámenes de salud regulares entre 2017 y 2021, además de un grupo adicional de 3.300 personas examinadas posteriormente para validar los resultados. Todos tuvieron dos pruebas clave: una ecografía abdominal para detectar grasa en el hígado y un análisis de composición corporal mediante bioimpedancia, un dispositivo similar a una báscula de baño que envía una corriente muy débil a través del cuerpo. Este escaneo estima cuánto grasa, músculo, hueso y agua tiene una persona, y cuánto de esa grasa se encuentra en lo profundo del abdomen como grasa visceral, el tipo más fuertemente asociado con la enfermedad metabólica.

Convertir medidas corporales en señales de riesgo

A partir de una larga lista de posibles mediciones, el equipo se centró en 13 que se pueden obtener sin sacar sangre, como edad, sexo, perímetro abdominal, índice de masa corporal (IMC), agua corporal total y una puntuación de grasa visceral. Luego aplicaron pruebas estadísticas para eliminar medidas redundantes u solapadas y utilizaron un método de interpretabilidad llamado SHAP para ver qué características aportaban más información sobre la grasa hepática. Al final, seis mediciones destacaron por ser fiables y prácticas: puntuación de grasa visceral, circunferencia de cintura, peso corporal, IMC, agua corporal total y el porcentaje de agua extracelular. Estas variables se usaron como entradas para ocho modelos computacionales distintos entrenados para distinguir a las personas con MAFLD de las que no la tenían.

Aprendizaje automático que detecta riesgo con alta precisión

El equipo construyó y comparó varios tipos de modelos de aprendizaje automático, incluida regresión logística simple, máquinas de vectores de soporte y métodos basados en árboles más avanzados, como el gradient boosting y los random forests. Usando validación cruzada de diez pliegues dentro del conjunto de datos principal, los modelos basados en árboles se situaron consistentemente en lo más alto, alcanzando áreas bajo la curva ROC (AUC) superiores a 0,96. Esto significa que los modelos casi siempre puntuaban a una persona con MAFLD por encima de una sin la enfermedad. Cuando los investigadores probaron estos modelos en el grupo independiente de más de 3.000 pacientes posteriores, el rendimiento siguió siendo muy sólido, con valores de AUC aún por encima de 0,95 y alta precisión y sensibilidad. En términos prácticos, el enfoque combinado de composición corporal y aprendizaje automático fue muy eficaz para identificar correctamente a las personas con hígado graso manteniendo las falsas alarmas relativamente bajas.

El papel especial de la grasa abdominal y los fluidos corporales

En todos los modelos y subgrupos—hombres y mujeres, adultos más jóvenes y mayores, personas delgadas y más corpulentas—la puntuación de grasa visceral fue la señal más potente de MAFLD. La circunferencia de cintura y el IMC también fueron importantes, pero algo menos informativos, lo que subraya que dónde se almacena la grasa importa más que cuánto pesa una persona en global. El estudio también resaltó la relevancia del equilibrio de agua corporal. Una mayor proporción de agua extracelular, que puede reflejar retención de líquidos sutil e inflamación, se asoció con mayores probabilidades de hígado graso, mientras que un mayor agua corporal total tendió a ser protector, quizás como indicio de mejor masa muscular y salud metabólica general.

Qué podría significar esto para las revisiones médicas cotidianas

Para los pacientes, la conclusión es que un breve paso sobre un dispositivo de composición corporal, combinado con un modelo de aprendizaje automático que opere en segundo plano, podría algún día ofrecer una advertencia temprana sobre la salud del hígado sin agujas, radiación ni exploraciones costosas. El estudio sugiere que centrarse en la grasa profunda del abdomen y en el balance de fluidos ofrece una imagen más clara del riesgo metabólico que el peso o el IMC por sí solos. Aunque se necesita más investigación en distintos países y a lo largo de periodos más largos, este enfoque apunta hacia un futuro en el que las visitas rutinarias de salud generen de forma discreta puntuaciones de riesgo personalizadas y potentes que ayuden a médicos y pacientes a actuar sobre la MAFLD antes de que progrese en silencio.

Cita: He, Y., Cao, Y., Chen, Z. et al. Integrating body composition analysis and machine learning for non-invasive identification of metabolic dysfunction-associated fatty liver disease: a large-scale health examination-based study. Sci Rep 16, 7038 (2026). https://doi.org/10.1038/s41598-026-37852-w

Palabras clave: hígado graso, grasa visceral, composición corporal, aprendizaje automático, cribado no invasivo