Aprendizaje automático para inferir puntuaciones en pruebas neurocognitivas entre adolescentes y adultos jóvenes con cardiopatía congénita

Por qué importa al crecer con una afección cardíaca

Hoy en día, más niños nacidos con defectos cardíacos graves llegan a la edad adulta que nunca antes. Pero muchas familias descubren que sobrevivir a la cirugía cardíaca es solo una parte de la historia: algunos adolescentes y adultos jóvenes tienen dificultades con la atención, el aprendizaje o la memoria. Este estudio plantea una pregunta práctica con grandes implicaciones: ¿podemos usar exploraciones cerebrales, información genética, antecedentes médicos y contexto familiar combinados para estimar cómo le va a un joven con cardiopatía congénita en habilidades similares a las escolares —pensamiento y resolución de problemas— sin depender únicamente de pruebas largas?

Mirar el conjunto, no solo el corazón

Los investigadores siguieron a 89 adolescentes y adultos jóvenes con cardiopatía congénita, de entre 8 y 30 años, procedentes de centros de todo Estados Unidos. Cada participante completó pruebas estándar en papel que midieron lectura, vocabulario, resolución de problemas, memoria, velocidad de procesamiento y CI global. En un plazo de aproximadamente seis meses—a menudo en apenas un par de días—también se realizaron detalladas resonancias magnéticas cerebrales y aportaron muestras genéticas. El equipo recopiló información sobre sus diagnósticos y cirugías cardíacas, talla y peso, y el contexto socioeconómico familiar, incluida la educación de los padres y los ingresos del hogar. El objetivo fue tratar a cada joven no como “un caso cardíaco” sino como una persona completa cuya estructura cerebral, genes, historial de salud y entorno influyen en cómo piensa y aprende.

Enseñar a las computadoras a estimar habilidades cognitivas

Para dar sentido a esta mezcla compleja de información, los científicos usaron aprendizaje automático: métodos computacionales que pueden encontrar patrones en grandes conjuntos de datos. Introdujeron miles de medidas procedentes de resonancias estructurales y de difusión (que capturan tamaño, forma y conectividad del cerebro), junto con 17 factores no relacionados con la imagen, como sexo, número de cirugías cardíacas, tipos de variantes genéticas raras y la educación de los padres. Para cada una de las 15 puntuaciones de prueba en siete grandes áreas cognitivas, entrenaron modelos para inferir la puntuación a partir de estas características. Un método avanzado de selección de características añadió y eliminó repetidamente variables candidatas, conservando solo aquellas combinaciones que realmente mejoraban el rendimiento cuando se probaban en participantes retenidos. El equipo evaluó el éxito por lo bien que las puntuaciones inferidas coincidían con las reales y por el tamaño del error típico en puntos de las pruebas.

Lo que los modelos podían y no podían ver

Los modelos informáticos pudieron estimar la mayoría de las puntuaciones mejor que al azar, con correlaciones entre puntuaciones reales e inferidas que iban de modestas a bastante fuertes. El CI total, la memoria de trabajo (recordar secuencias de números) y la velocidad de procesamiento (exploración visual rápida y emparejamiento de símbolos) estuvieron entre las más fáciles de inferir. Por ejemplo, las estimaciones del modelo para el span de dígitos, una prueba común de memoria, siguieron de cerca el rendimiento real. En contraste, habilidades más específicas como comprender oraciones o resolver rompecabezas de diseño con bloques fueron más difíciles de predecir. Cuando los investigadores combinaron resultados entre pruebas, la inteligencia general resultó ser la capacidad más “inferible”, mientras que el razonamiento perceptivo—descubrir patrones en formas y espacios—fue la menos inferible.

Cómo contribuyen el cerebro, los genes y el entorno

Al examinar en qué características se apoyaban los modelos, el estudio dibuja un panorama matizado de lo que configura la cognición en este grupo. Las medidas cerebrales procedentes de la RM aparecieron en los siete dominios cognitivos. Regiones de los lóbulos frontal y temporal, y las autopistas de sustancia blanca que los conectan, fueron especialmente importantes—áreas asociadas desde hace tiempo al lenguaje, la memoria y la resolución de problemas. Pero los factores no cerebrales también importaron. El nivel educativo del padre ayudó a inferir el CI global y las habilidades visuoespaciales, apuntando al impacto del entorno doméstico y las oportunidades de aprendizaje. Características de la propia cardiopatía, como el tipo de diagnóstico y el número de cirugías, influyeron en las habilidades verbales. Ciertas variantes genéticas raras, especialmente las que afectan a genes del neurodesarrollo, tendieron a asociarse con peores resultados en lectura, matemáticas o vocabulario. Más que una causa única, emerge una imagen de influencias superpuestas, donde la estructura cerebral, la historia médica, los genes y el contexto socioeconómico empujan los resultados cognitivos en distintas direcciones.

Qué podría significar para la atención y el seguimiento

Para familias y clínicos, el mensaje es a la vez tranquilizador y orientado al futuro. En este grupo relativamente pequeño pero estudiado con detalle, muchos jóvenes con cardiopatía congénita mostraron habilidades cognitivas dentro del rango medio. Sin embargo, el estudio demuestra que diferencias sutiles en la cognición pueden estimarse de forma significativa a partir de información ya recopilada en la atención moderna, especialmente exploraciones cerebrales detalladas. Si se confirma en grupos mayores y más diversos, modelos similares podrían algún día ayudar a los médicos a detectar qué niños tienen mayor riesgo de dificultades escolares o de memoria, incluso antes de que los problemas se manifiesten por completo. Eso, a su vez, podría orientar derivaciones tempranas para apoyo educativo, entrenamiento cognitivo o intervenciones familiares—haciendo de la salud cerebral un aspecto tan central en el seguimiento como la salud del corazón.»

Cita: Hussain, M.A., He, S., Adams, H.R. et al. Machine learning to infer neurocognitive testing scores among adolescents and young adults with congenital heart disease. Commun Med 6, 144 (2026). https://doi.org/10.1038/s43856-026-01417-9

Palabras clave: cardiopatía congénita, cognición adolescente, resonancia magnética cerebral, aprendizaje automático, neurodesarrollo