Uso de algoritmos de aprendizaje automático para predecir MACE en pacientes con diálisis peritoneal

Por qué importa para las personas en diálisis domiciliaria

Para muchas personas con insuficiencia renal, la diálisis peritoneal ofrece la libertad de tratarse en casa en lugar de hacerlo en una clínica. Sin embargo, estos pacientes afrontan un alto riesgo de problemas graves del corazón y de los vasos sanguíneos, como infartos y accidentes cerebrovasculares. Este estudio plantea una pregunta práctica con consecuencias reales: ¿podemos usar técnicas informáticas modernas para identificar, de manera temprana, qué pacientes en diálisis peritoneal tienen más probabilidad de sufrir complicaciones cardíacas importantes, de modo que los médicos puedan intervenir antes de que ocurra una catástrofe?

Quiénes se estudiaron y qué se midió

Los investigadores revisaron los historiales médicos de 1.006 adultos que iniciaron diálisis peritoneal en dos hospitales de China entre 2010 y 2016. Todos los pacientes habían recibido este tratamiento al menos durante tres meses. Al comenzar la diálisis, el equipo recogió 86 datos distintos de cada persona, incluidos la edad, otras enfermedades como diabetes o insuficiencia cardíaca, la presión arterial, pruebas de laboratorio, resultados de ecocardiogramas y medicamentos. A continuación, se siguió a cada paciente durante hasta aproximadamente diez años para ver quiénes presentaban un evento cardíaco o cerebrovascular mayor, un conjunto de problemas que los autores denominan «MACE», que incluye infarto de miocardio, angina grave, ictus, paro cardíaco, ingresos por insuficiencia cardíaca o arritmias peligrosas, y muerte por cualquier causa.

Predicción más inteligente con aprendizaje automático

En lugar de basarse únicamente en estadísticas tradicionales, el equipo recurrió a tres enfoques de aprendizaje automático capaces de descubrir patrones complejos en grandes conjuntos de datos: Random Forest, XGBoost y AdaBoost. Dividieron sus datos en grupos para entrenar los modelos, evaluarlos y, posteriormente, comprobar su rendimiento en los pacientes de un hospital distinto. El objetivo fue ver qué tan bien podía cada método predecir quién sufriría un evento mayor en cualquier momento, durante el primer año y durante los primeros cinco años tras iniciar la diálisis peritoneal. La fuerza de un modelo se juzgó mediante una métrica estándar llamada área bajo la curva (AUC), donde un valor más cercano a 1,0 indica mejor discriminación entre pacientes de alto y bajo riesgo.

Qué aprendieron los modelos sobre el riesgo

A lo largo de todo el periodo de seguimiento, 409 de los 606 pacientes del grupo principal de desarrollo sufrieron un evento mayor. Para predecir estos eventos globales, el método Random Forest fue el más eficaz, con un AUC de aproximadamente 0,80, lo que significa que la mayoría de las veces podía distinguir correctamente entre pacientes de mayor y menor riesgo. En esta perspectiva a largo plazo, las señales más influyentes fueron los niveles de hormona paratiroidea, un marcador relacionado con la salud ósea y vascular, antecedentes de insuficiencia cardíaca congestiva y la edad. Cuando el enfoque se limitó a los eventos del primer año, solo 114 pacientes se vieron afectados, y XGBoost resultó el mejor con un AUC de 0,86. En este caso destacaron el colesterol «protector» (HDL), la edad y los niveles de calcio en sangre. Para el horizonte de cinco años, Random Forest volvió a rendir mejor, y la edad, la creatinina sérica y la tasa de filtración glomerular estimada—indicadores de la función renal residual y la adecuación de la diálisis—aparecieron como los más relevantes.

Comprobación de fiabilidad y rendimiento en el mundo real

Para asegurarse de que estos resultados no fueran casuales, los autores compararon sus herramientas de aprendizaje automático con un método de tiempo hasta el evento más conocido, la regresión de Cox, y probaron todo en un grupo separado de 400 pacientes de otro hospital. Los factores de riesgo clave identificados por los métodos nuevos coincidieron estrechamente con los hallados mediante el análisis tradicional, pero los modelos de aprendizaje automático, en general, hicieron un mejor trabajo clasificando a los pacientes por riesgo. En el grupo hospitalario externo, el modelo principal siguió rindiendo bien, clasificando correctamente los resultados en aproximadamente siete de cada diez pacientes. El estudio también subrayó la importancia de otros factores interrelacionados—como la carga global de enfermedad, el peso corporal, los lípidos sanguíneos, la albúmina (un marcador de nutrición), la diuresis y la presión arterial—que conjuntamente moldean el riesgo cardíaco en esta población vulnerable.

Qué significa esto para pacientes y equipos de atención

Los autores concluyen que herramientas de aprendizaje automático cuidadosamente diseñadas pueden ayudar a los médicos a estimar, desde el inicio de la diálisis peritoneal, qué pacientes afrontan un riesgo especialmente alto de problemas cardiovasculares graves en los años venideros. La edad fue un factor constante, pero varios elementos relacionados con el equilibrio mineral, los lípidos sanguíneos, la adecuación de la diálisis y el estado general de salud también desempeñaron papeles importantes, y muchos de ellos pueden monitorizarse y tratarse. Aunque el estudio es retrospectivo y requiere confirmación en trabajos prospectivos futuros, apunta hacia un futuro en el que la atención en diálisis domiciliaria esté guiada por algoritmos discretos que detecten temprano a los pacientes en riesgo, permitiendo intervenciones dirigidas para prolongar la vida y reducir los ingresos hospitalarios.

Cita: Xu, L., Zhang, Y., Abbas Al-Janabi, A.A. et al. Using machine learning algorithms to predict MACE in peritoneal dialysis patients. Sci Rep 16, 10553 (2026). https://doi.org/10.1038/s41598-026-45362-y

Palabras clave: diálisis peritoneal, riesgo cardiovascular, aprendizaje automático, insuficiencia renal, predicción de riesgo