Predicción del riesgo de progresión de la enfermedad renal crónica en diabetes mellitus tipo 2 en poblaciones diversas

Por qué esto importa para las personas con diabetes

Muchas personas con diabetes tipo 2 acaban desarrollando problemas renales, que en ocasiones conducen a diálisis o trasplante. Sin embargo, para un paciente concreto resulta difícil que los médicos determinen quién verá una deterioro rápido de la función renal y quién se mantendrá estable durante años. Este estudio muestra cómo se pueden combinar registros médicos a largo plazo y técnicas informáticas modernas para predecir problemas renales con años de antelación, dando a pacientes y clínicos más tiempo para actuar.

Seguimiento de miles de pacientes a lo largo de muchos años

Los investigadores utilizaron historias clínicas electrónicas del sistema público de salud de Hong Kong, que atiende a la mayor parte de la población local. Se centraron en más de 220 000 adultos con diabetes tipo 2 que se sometieron a pruebas renales repetidas entre 2003 y 2019, y luego restringieron el grupo a quienes tenían sus riñones en estadios iniciales y de menor riesgo al inicio. Durante 17 años registraron quién progresó a estadios más graves de enfermedad renal crónica y quién permaneció estable. Para reflejar cómo se presta la atención en la práctica real, construyeron modelos de predicción separados que miran a dos, cinco o diez años en el futuro.

Enseñar a las computadoras a leer historiales clínicos

En lugar de usar solo unos pocos factores de riesgo simples, el equipo entrenó modelos de aprendizaje profundo —sistemas informáticos flexibles que pueden descubrir patrones a través de muchas variables al mismo tiempo. Los modelos incorporaron una mezcla de 21 medidas de rutina, incluyendo edad, sexo, tamaño corporal, lípidos sanguíneos, control glucémico, pruebas sanguíneas relacionadas con el riñón, presión arterial, antecedentes de tabaquismo y registros de medicamentos clave como antihipertensivos e insulina. Para situaciones con menos pruebas disponibles, también crearon una versión reducida que usaba 15 de los ítems más comúnmente medidos. Los modelos se entrenaron con el 80% de los datos y se validaron con el 20% restante, empleando métodos específicos para rellenar valores faltantes y proteger contra el sobreajuste.

Qué tan bien funcionaron las predicciones

En todos los horizontes temporales, los modelos de aprendizaje profundo fueron más precisos que las herramientas estadísticas tradicionales y otros métodos de aprendizaje automático. Para los pacientes en Hong Kong, el modelo completo ordenó correctamente el riesgo renal futuro con un área bajo la curva ROC de aproximadamente 87% a dos años, 85% a cinco años y 85% a diez años, lo que significa que normalmente podía distinguir quién empeoraría antes. El modelo simplificado tuvo un rendimiento solo ligeramente inferior. Cuando se aplicaron los mismos modelos a dos cohortes de investigación independientes —el UK Biobank y el China Health and Retirement Longitudinal Study— siguieron funcionando razonablemente bien, a pesar de que en esos conjuntos faltaban muchos registros detallados de laboratorio o prescripciones. Esto sugiere que el enfoque puede transferirse a distintos países y sistemas sanitarios.

Qué impulsa el riesgo y cómo los resultados pueden guiar la atención

Para hacer las predicciones comprensibles para los clínicos, el equipo usó una técnica de análisis que muestra cuánto contribuye cada factor a las decisiones del modelo. Las señales más fuertes fueron la creatinina sanguínea (un marcador de la capacidad de filtrado renal), el sexo, la edad, la presión arterial, el control glucémico a largo plazo y el uso reciente de fármacos que afectan al riñón y a la presión arterial. Las puntuaciones de riesgo del algoritmo se introdujeron después en herramientas estándar de análisis de supervivencia para dibujar curvas que muestran la rapidez con la que las personas con riesgo previsto bajo, medio o alto tienden a progresar. En cada grupo, quienes tenían mayor riesgo predicho pasaron a estadios renales peores más pronto y tuvieron tiempos de “supervivencia” renal más cortos, confirmando que las puntuaciones tienen significado clínico real. Es importante destacar que el rendimiento fue, en general, similar entre hombres y mujeres, aunque hubo algunas diferencias en predicciones a más largo plazo en una cohorte externa.

Qué podría significar esto para la atención diaria

En esencia, el estudio ofrece una manera práctica de convertir datos rutinarios de la consulta en pronósticos personalizados de la salud renal para personas con diabetes tipo 2. Un médico podría introducir la edad del paciente, los resultados de laboratorio y las prescripciones recientes y obtener una probabilidad estimada de deterioro renal en los próximos años, junto con una curva visual del curso esperado de la enfermedad. Aquellos identificados como de alto riesgo podrían recibir seguimiento más estrecho, un control más estricto de la presión arterial y de la glucemia, y derivación más temprana a especialistas renales, mientras que los pacientes de bajo riesgo podrían evitar visitas innecesarias. Aunque los autores señalan que el modelo no puede probar qué tratamientos previenen la enfermedad y que se necesita más trabajo para incluir otros tipos de datos y poblaciones, su marco apunta hacia un futuro en el que cambios sutiles en análisis y en patrones de medicación puedan traducirse en advertencias claras y accionables mucho antes de que los riñones empiecen a fallar.

Cita: Zhao, Y., Lu, S., Lu, J. et al. Risk Prediction of Chronic Kidney Disease Progression in Type 2 Diabetes Mellitus Across Diverse Populations. npj Digit. Med. 9, 250 (2026). https://doi.org/10.1038/s41746-026-02439-2

Palabras clave: diabetes tipo 2, enfermedad renal crónica, predicción de riesgo, historias clínicas electrónicas, aprendizaje profundo