La IA y el big data aceleran el diagnóstico precoz del asma y podrían transformar la práctica clínica

La llegada de la inteligencia artificial (IA) y el análisis de big data están redefiniendo el modo en que los clínicos detectan, estratifican y monitorizan el asma, una enfermedad heterogénea sin una prueba diagnóstica única. Los avances en análisis multimodal, monitorización digital y modelos predictivos ya permiten identificar patrones tempranos, anticipar exacerbaciones y orientar decisiones terapéuticas con una enorme precisión.

La IA permite analizar patrones complejos a partir de información clínica masiva y heterogénea, mientras que el big data aporta volumen, variedad y velocidad, procedentes de historias clínicas, dispositivos electrónicos, sensores ambientales, redes sociales y bases poblacionales.

Esta combinación ofrece un marco sólido para mejorar la asignación de recursos y la eficiencia clínica, especialmente en un escenario donde las enfermedades respiratorias consumen alrededor del 6 % del presupuesto sanitario europeo. Varios especialistas han analizado para EL MÉDICO INTERACTIVO cómo estas tecnologías están modificando el abordaje asistencial.

IA en identificación de patrones

El asma requiere una evaluación compleja que combine historia clínica, síntomas, pruebas funcionales y respuesta terapéutica. El doctor Juan M. Beitia, alergólogo del Hospital Universitario de Fuenlabrada (Madrid), destaca que la IA y el big data permiten integrar y analizar grandes volúmenes de datos clínicos, epidemiológicos y genómicos para “identificar patrones y biomarcadores asociados con el desarrollo temprano del asma bronquial”. Esta capacidad facilita la detección precoz en un contexto donde los signos iniciales suelen ser sutiles y difíciles de interpretar.

A ello se suman los sistemas de soporte a la decisión clínica basados en big data, que permiten estratificar a los pacientes por fenotipos y endotipos para un manejo más personalizado, indica el experto.

Según este médico, estas herramientas pueden “alertar al médico sobre signos de sospecha de asma en estadios iniciales, optimizando el tiempo diagnóstico”. Los algoritmos predictivos combinan múltiples variables –síntomas, exposiciones ambientales y resultados de pruebas– y calculan el riesgo individual de desarrollar asma, lo que refuerza la estratificación temprana.

La doctora Marianela Brandoni, alergóloga del Hospital Universitario de Guadalajara, considera que el análisis automatizado de registros médicos es uno de los campos más prometedores en los que la IA puede ayudar. Pone ejemplos de estudios que ya se están haciendo en este campo donde un algoritmo de procesamiento del lenguaje natural alcanzó sensibilidad del 86 % y especificidad del 98 % en el diagnóstico de asma pediátrica al integrar información de historia clínica, laboratorio y antecedentes. “Son resultados que ilustran cómo la IA es capaz de detectar patrones diagnósticos que no siempre son evidentes para el clínico”.

La identificación temprana se potencia además con nuevas fuentes de datos. Asimismo, modelos alimentados por búsquedas en Google, Twitter y sensores ambientales predicen urgencias por exacerbaciones con un 70 % de precisión, consolidando el concepto de biomarcadores digitales, añade la doctora Brandoni.

Predicción de exacerbaciones

La predicción de exacerbaciones es uno de los territorios donde la IA muestra un rendimiento más consistente. Los algoritmos de machine learning o aprendizaje automático logran precisiones de moderadas a altas en diferentes entornos.

La alergóloga pone de ejemplo un estudio en el que se obtuvo un área bajo la curva (AUC) del 81–92 % combinando un estetoscopio asistido por IA con datos de encuesta, destacando el valor de integrar fuentes multimodales. Menciona otro trabajo en el que se desarrolló un modelo de redes perceptrón multicapa (MLP) para identificar asma pediátrica prehospitalaria con una puntuación F1 de 0,95, especificidad de 1,00 y sensibilidad de 0,91, superando a los sistemas basados en reglas, superando a los métodos tradicionales de modelos de lenguaje basados en reglas (Rule-Based Language Models, RBLMs).

No obstante, los expertos subrayan que estos rendimientos dependen de la calidad y representatividad de los datos, así como del entorno asistencial, por lo que persisten los desafíos en la estandarización de bases de datos y en la validación externa de los modelos.

Monitorización continua

Otro avance clave gracias a la tecnología es la monitorización continua mediante dispositivos conectados, como medidores de flujo, sensores ambientales o aplicaciones móviles. Su análisis en tiempo real permite detectar variaciones mínimas que pueden anticipar el diagnóstico y mejorar el pronóstico. Además, estos sistemas guían al paciente, proporcionándole señales de alerta y ayudándole a decidir cuándo ajustar el tratamiento o acudir a urgencias de manera precoz.

El doctor Álvaro Moreno, jefe de la Sección de Alergología del Hospital General Universitario Nuestra Señora del Prado (Talavera de la Reina), subraya que la IA también está avanzando en la detección basada en señales acústicas. Aplicaciones recientes han demostrado que puede reconocer signos de asma pediátrica a partir de sonidos respiratorios y tos captados por dispositivos portátiles o teléfonos móviles, una vía que abre nuevas posibilidades para el cribado no invasivo.

Este experto advierte, no obstante, que el mayor desafío es “trasladar estas innovaciones a la práctica clínica garantizando la calidad de los datos, la validación en escenarios reales y la protección de la privacidad”. En su opinión, las Unidades de Asma Grave son entornos idóneos para implementar estas herramientas debido a la complejidad de los pacientes y al alto valor de sus datos clínicos y biológicos.

Proyectos internacionales como AI4Asthma y HeAR Model ya exploran el análisis digital de sonidos respiratorios para mejorar la sensibilidad diagnóstica. Para este facultativo, estas tecnologías, aplicadas en Unidades de Asma Grave, “podrían transformar el diagnóstico precoz hacia una medicina predictiva y personalizada”.

No sustituyen el juicio clínico

La integración de IA y big data también impulsa la medicina de precisión. Iniciativas como U-BIOPRED analizan perfiles genómicos, proteómicos y metabolómicos para identificar endotipos y ajustar terapias individualizadas. Al mismo tiempo, herramientas clínicas como la guía GEMA ya incorporan sistemas conversacionales basados en IA para facilitar consultas rápidas en lenguaje natural.

Aunque estas tecnologías mejoran la detección de signos iniciales y de exacerbaciones, no sustituyen la valoración médica, la anamnesis completa ni las pruebas de función pulmonar, tal como coinciden los especialistas consultados.

En definitiva, la IA y el big data abren una vía sólida para acelerar la identificación de pacientes en riesgo, optimizar la indicación de pruebas y ajustar la monitorización, pero su impacto real depende de una validación rigurosa, de su integración en la práctica asistencial y de reconocer sus límites para garantizar un diagnóstico precoz seguro y consistente.

Para la elaboración de este artículo se ha contado con la colaboración de los doctores: Marianela Brandoni Petrone, Nieves Cabañes Higuero, María Estela Gómez Nieves, María de los Ángeles de la Hera Romero, Juan María Beitia Mazuecos, Irán Sánchez Ramos, Ignacio Hernández Romero, Álvaro Moreno Ancillo y María Isabel Peña Arellano.

 

Una publicación independiente desarrollada gracias al patrocinio financiero de BIAL. Los puntos de vista y las opiniones que se expresan en esta obra son de sus autores y no reflejan necesariamente la política oficial ni la posición de BIAL. BIAL no debe ser considerada responsable de la veracidad de la información ni de los posibles errores u omisiones.

 

 

Referencias:

• Global Initiative for Asthma (GINA). Global Strategy for Asthma Management and Prevention 2024 [Internet]. [citado 2025 Mayo 24]. Disponible en: [https://ginasthma.org/gina-reports/](https://ginasthma.org/gina-reports/)
• Prats L, Izquierdo JL. Patología respiratoria en la era del big data [Respiratory Disease in the Era of Big Data]. Open Respir Arch. 2020 Oct-Dec;2(4):284-288. Spanish. doi: 10.1016/j.opresp.2020.07.003. Epub 2020 Sep 10. PMID: 38620700; PMCID: PMC7481841.
• Sánchez-Caro J, Sánchez LA. Inteligencia artificial en el campo de la salid. Un nuevo paradigma: aspectos clínicos, éticos y legales. 1ª ed. Madrid: Fundación Merck Salud; 2021.
• Kaur, H., Sohn, S., Wi, CI. et al. Automated chart review utilizing natural language processing algorithm for asthma predictive index.BMC Pulm Med 18, 34 (2018). https://doi.org/10.1186/s12890-018-0593-9
• Ram S, Zhang W, Williams M, Pengetnze Y. Predicting asthma-related emergency department visits using big data. IEEE J Biomed Health Inform. 2015 Jul;19(4):1216-23. doi: 10.1109/JBHI.2015.2404829. Epub 2015 Feb 19. PMID: 25706935.
• Osman Mohmed FM, Osman Homaida WE, Babkir Abd Alla YB, et al. Artificial Intelligence Applications in the Prediction and Management of Pediatric Asthma Exacerbation: A Systematic Review. Cureus. 2025;17(9):e92491. Published 2025 Sep 16. doi:10.7759/cureus.92491
• Lefaudeux D, De Meulder B, Loza MJ, et al. U-BIOPRED clinical adult asthma clusters linked to a subset of sputum omics. J Allergy Clin Immunol. 2017;139(6):1797-1807. doi:10.1016/j.jaci.2016.08.048
• Aaron SD, Vandemheen KL, Whitmore GA, et al. Early Diagnosis and Treatment of COPD and Asthma – A Randomized, Controlled Trial. N Engl J Med. 2024;390(22):2061-2073. doi:10.1056/NEJMoa2401389
• Wi CI, et al. Association of delayed asthma diagnosis with outcomes in childhood asthma. JACI Global. 2025;4(1):45–55.
• Breiteneder H, Peng YQ, Agache I, et al. Biomarkers for diagnosis and prediction of therapy responses in allergic diseases and asthma. Allergy. 2020;75(12):3039-3068. doi:10.1111/all.14582
• Kaplan A, Cao H, FitzGerald JM, et al. Artificial Intelligence/Machine Learning in Respiratory Medicine and Potential Role in Asthma and COPD Diagnosis. J Allergy Clin Immunol Pract. 2021;9(6):2255-2261. doi:10.1016/j.jaip.2021.02.014

 

The post La IA y el big data aceleran el diagnóstico precoz del asma y podrían transformar la práctica clínica appeared first on El médico interactivo.

from El médico interactivo https://ift.tt/pwGW23i