Estratificación temprana del riesgo de gravedad de la lesión renal aguda en pacientes con infarto agudo de miocardio y diabetes mediante aprendizaje automático

Por qué importa esto para pacientes y familias

Los infartos y la diabetes ya son preocupantes por sí solos, pero juntos aumentan mucho el riesgo de que los riñones fallen de forma repentina durante una hospitalización. Este estudio plantea una pregunta muy práctica: ¿podemos usar la información que los médicos ya recogen en las primeras 24 horas de ingreso para detectar qué pacientes tienen más probabilidad de desarrollar daño renal leve, moderado o severo, antes de que se manifieste completamente? Hacerlo, esperan los autores, daría a los médicos más tiempo para proteger los riñones y posiblemente mejorar la supervivencia.

Corazón, azúcar y riñones en un equilibrio delicado

Cuando una persona con diabetes sufre un infarto, sus riñones están bajo una tensión especial. La hiperglucemia mantenida a largo plazo puede dañar los vasos sanguíneos más pequeños y reducir la reserva renal. Un infarto, a su vez, puede disminuir el flujo sanguíneo y el oxígeno a estos órganos ya vulnerables. El resultado es una lesión renal aguda, una caída brusca de la función renal que se asocia a estancias hospitalarias más largas, mayores costes y más muertes. Lamentablemente, la lesión renal a menudo se reconoce sólo después de que una prueba sanguínea llamada creatinina ya ha aumentado, momento en el que parte del daño puede ser difícil de revertir.

Convertir datos rutinarios en alertas tempranas

Los investigadores utilizaron tres grandes bases de datos hospitalarias de Estados Unidos y China, que abarcan 4.908 pacientes que tuvieron tanto un infarto como diabetes. Usando sólo la información de las primeras 24 horas tras el ingreso —como edad, presión arterial, recuentos sanguíneos, pruebas de laboratorio relacionadas con riñón, diuresis y puntuaciones de gravedad de la enfermedad— entrenaron una serie de modelos informáticos para estimar la probabilidad de que cada paciente desarrollara distintos grados de lesión renal más adelante durante la hospitalización. Compararon diez enfoques comunes de aprendizaje automático, desde la regresión logística simple hasta métodos más avanzados basados en árboles como LightGBM y XGBoost, y evaluaron rigurosamente estos modelos en conjuntos de hospitales separados para ver cuánto se generalizaban.

Qué tan bien funcionaron los modelos

Entre casi cinco mil pacientes, casi cuatro de cada diez llegaron a desarrollar algún grado de lesión renal. Varios modelos tuvieron un rendimiento notable, pero dos destacaron. LightGBM fue el mejor para predecir si los pacientes desarrollarían al menos lesión renal leve o al menos moderada, mientras que XGBoost se destacó para la etapa más grave. En un hospital externo en China, estos modelos distinguieron correctamente a pacientes de mayor riesgo frente a menor riesgo con alta precisión, medida por valores del área bajo la curva (AUC) alrededor de 0,85–0,88. Los análisis de curvas de decisión sugirieron que usar estas predicciones aportaría más beneficio clínico que tratar a todos como de alto riesgo o ignorar el riesgo por completo, en un amplio rango de umbrales de decisión que podrían elegir los clínicos.

Qué impulsa las predicciones de riesgo

Para ir más allá de una «caja negra», el equipo usó un método de explicación llamado SHAP para mostrar qué entradas fueron las más relevantes para las predicciones. Las medidas tempranas relacionadas con el riñón —como el mayor nivel de creatinina, la tasa de filtración estimada y la diuresis— fueron contribuyentes principales, reflejando tanto la vulnerabilidad basal como el estrés inicial sobre los riñones. Mediciones de gravedad general de la enfermedad, química sanguínea (incluidos lactato y equilibrio ácido–base), presión arterial y estado nutricional (como niveles de albúmina) también jugaron papeles importantes. Es importante que todas estas variables se recogen de forma rutinaria y pueden extraerse automáticamente de los registros electrónicos, lo que permitiría que el modelo funcionara en segundo plano sin trabajo adicional para el personal de cama.

De las puntuaciones informáticas a las decisiones junto al paciente

Los autores enfatizan que su herramienta pretende apoyar, no reemplazar, el juicio clínico. Construyeron una interfaz web donde los clínicos pueden introducir o importar automáticamente datos tempranos de ingreso y recibir estimaciones de riesgo individualizadas para lesión renal leve, moderada y grave. Una alta predicción de riesgo podría motivar una monitorización más estrecha, un uso más cauteloso de medios de contraste y otros tratamientos estresantes para el riñón, o una consulta más temprana con especialistas renales y la consideración de terapias avanzadas. Dado que las prácticas hospitalarias y las poblaciones de pacientes difieren, el equipo advierte que cada institución necesitaría validar y ajustar localmente el modelo antes de confiar en él. Aun así, el estudio demuestra que con los datos ya disponibles es posible identificar riñones vulnerables de forma temprana, abriendo una ventana para cuidados más personalizados y oportunos.

Cita: Ruan, L., Qiao, Y., Li, X. et al. Early risk stratification of acute kidney injury severity in patients with acute myocardial infarction and diabetes using machine learning. Sci Rep 16, 12285 (2026). https://doi.org/10.1038/s41598-026-41356-y

Palabras clave: lesión renal aguda, infarto de miocardio, diabetes, aprendizaje automático, predicción de riesgo