Predicción de la función renal futura en la diabetes mellitus tipo 2 mediante aprendizaje automático e información clínica basal

Por qué esto importa para las personas con diabetes

Para muchas personas con diabetes tipo 2, una preocupación a largo plazo es si sus riñones irán fallando gradualmente, hasta requerir diálisis. Los médicos pueden medir la salud renal actual, pero es mucho más difícil saber con años de antelación qué riñones corren más riesgo. Este estudio explora si el reconocimiento de patrones por ordenador, conocido como aprendizaje automático, puede usar una sola revisión de rutina para pronosticar cómo funcionarán los riñones de una persona muchos años en el futuro.

Un peligro común pero silencioso

La enfermedad renal diabética afecta aproximadamente a cuatro de cada diez personas con diabetes tipo 2 y es una causa principal de insuficiencia renal crónica en todo el mundo. La función renal suele seguirse con un índice llamado tasa de filtración glomerular estimada, o eTFG, que refleja la eficiencia con la que los riñones filtran la sangre. Algunos pacientes pierden esta función muy rápido, mientras que otros descienden lentamente o se mantienen estables durante muchos años. Como las primeras fases suelen no tener síntomas, los médicos necesitan mejores formas de detectar a esos “declinadores rápidos” temprano, cuando una mayor vigilancia y tratamiento todavía pueden frenar o evitar daños graves.

Convertir los datos de la revisión en una bola de cristal

Los investigadores siguieron a 974 adultos con diabetes tipo 2 tratados en tres hospitales de Japón durante una mediana de algo más de cinco años. Al inicio recopilaron 54 datos que se miden rutinariamente en las consultas de diabetes, incluidos edad, presión arterial, peso, análisis de sangre, análisis de orina y la función renal actual. Es importante: no se basaron en resultados de pruebas futuras ni en marcadores genéticos o proteicos especializados, solo en lo que típicamente estaría disponible en una visita clínica inicial. Luego pidieron a un conjunto de modelos informáticos que aprendieran la relación entre esas mediciones iniciales y los valores de eTFG observados en seguimientos anuales, hasta nueve años después.

Cómo funcionaron los modelos inteligentes

El equipo comparó tres métodos modernos de aprendizaje automático—Light Gradient Boosting Machine, Random Forest y Support Vector Machine—con un enfoque estadístico tradicional conocido como regresión lineal múltiple. Todos los enfoques rindieron razonablemente bien en general, pero el Support Vector Machine destacó. Proporcionó las predicciones más precisas en todo el rango de función renal, especialmente para personas cuyos riñones funcionaban muy bien al inicio. Usando únicamente los datos de la revisión inicial más el número de años en el futuro, este modelo pudo mantener una precisión moderada hasta unos seis años, mientras que las predicciones del método tradicional se volvieron poco fiables más allá de los cuatro años.

Qué impulsa las predicciones

Para asomarse dentro de estos modelos “caja negra”, los investigadores usaron una herramienta de explicación que ordena qué características basales importaron más. Como era de esperar, las medidas renales actuales—la eTFG en sí y la creatinina sérica—fueron influyentes, junto con la edad y un marcador en orina de daño renal. Los lípidos sanguíneos, marcadores de anemia y ciertas enzimas relacionadas con el hígado también jugaron papeles importantes. En distintos subgrupos, como adultos mayores o mujeres, surgieron patrones ligeramente diferentes, lo que sugiere que algunos factores de riesgo pueden tener mayor peso en determinados pacientes. Incluso cuando el modelo se simplificó para incluir solo los factores más informativos, su rendimiento cambió poco, lo cual es alentador para un uso eventual en clínicas reales.

De la predicción a la acción práctica

El trabajo tiene límites: el estudio implicó un número relativamente reducido de pacientes ambulatorios japoneses, aún no se ha probado en otros países o sistemas sanitarios, y supone que muchos aspectos de la vida y el tratamiento del paciente permanecen similares con el tiempo. Aun así, los hallazgos sugieren que es factible convertir una sola visita ordinaria por diabetes en un pronóstico personalizado de la salud renal a años vista. En el futuro, una herramienta así podría integrarse en los registros electrónicos de salud para señalar a los pacientes cuya función renal proyectada se desploma, lo que motivaría un seguimiento más estrecho, derivaciones más tempranas a especialistas en riñón y un uso más oportuno de terapias protectoras. En suma, un uso más inteligente de los datos existentes podría dar a pacientes y médicos una valiosa ventaja para proteger la salud renal.

Cita: Unoki-Kubota, H., Nakajima, K., Shimizu, Y. et al. Predicting future kidney function in type 2 diabetes mellitus using machine learning and baseline health information. Sci Rep 16, 10890 (2026). https://doi.org/10.1038/s41598-026-45500-6

Palabras clave: enfermedad renal diabética, diabetes tipo 2, declive de la función renal, predicción mediante aprendizaje automático, eTFG