La inteligencia artificial multiplica la detección del riesgo de fractura de cadera

Un nuevo modelo para anticipar la fractura

Las fracturas de cadera constituyen una de las complicaciones más graves del envejecimiento, debido a su asociación con pérdida de autonomía, discapacidad, complicaciones médicas y elevada mortalidad. La identificación precoz de las personas con mayor riesgo resulta esencial para instaurar medidas preventivas antes de que ocurra la fractura.

Las herramientas utilizadas habitualmente requieren información obtenida mediante una evaluación clínica presencial, incluyendo índice de masa corporal, hábitos de vida y otros factores de riesgo. Un estudio de investigadores de la Universidad de Gotemburgo propone una alternativa basada exclusivamente en información sanitaria disponible de forma rutinaria. Los resultados se han publicado en PLOS Medicine.

Más de 3,5 millones de personas analizadas

Los investigadores utilizaron datos del registro nacional de salud sueco correspondientes a 3.542.647 personas mayores de 50 años, seguidas durante un máximo de 10 años. Durante el periodo analizado se produjeron 142.327 fracturas de cadera.

A partir de más de 100.000 variables procedentes de diagnósticos, medicamentos, procedimientos médicos y características demográficas y socioeconómicas, desarrollaron FRACTURE-ML, un modelo de aprendizaje profundo destinado a estimar el riesgo individual de fractura de cadera.

Posteriormente, se evaluó el algoritmo en una cohorte independiente, evitando que los mismos pacientes utilizados para desarrollar el modelo intervinieran en su validación.

Alta capacidad predictiva hasta cinco años antes

FRACTURE-ML mostró una capacidad discriminativa elevada. Un año antes de la fractura, el área bajo la curva ROC alcanzó 0,89, mientras que para una predicción a cinco años se situó en 0,85.

La capacidad predictiva se mantuvo, por tanto, elevada incluso cuando aumentaba considerablemente el intervalo temporal entre la evaluación y el acontecimiento. Este aspecto resulta especialmente relevante desde una perspectiva preventiva, ya que permite identificar a pacientes potencialmente vulnerables antes de que aparezcan las consecuencias de la fragilidad ósea.

Además, los investigadores desarrollaron una versión simplificada del modelo basada únicamente en 35 variables. Su rendimiento fue prácticamente equivalente al del modelo completo, lo que facilita su posible utilización en sistemas sanitarios.

Casi siete veces más personas identificadas como de alto riesgo

La principal ventaja observada apareció al comparar FRACTURE-ML con las estrategias de cribado clínico utilizadas habitualmente en Suecia.

Para predecir fracturas durante los dos años siguientes, el modelo alcanzó una sensibilidad de 0,84, frente a 0,12 con los métodos convencionales. En términos prácticos, el sistema identificó casi siete veces más personas que posteriormente presentaron una fractura.

Esta mejora en sensibilidad se consiguió con una reducción relativamente moderada de la especificidad, que pasó de 0,98 con la estrategia clínica a 0,79 con el modelo de aprendizaje automático.

Los registros sanitarios como herramienta preventiva

Una característica fundamental de FRACTURE-ML es que no necesita una consulta específica para obtener los datos necesarios. El algoritmo aprovecha información que ya forma parte de los registros sanitarios, lo que permitiría plantear estrategias de cribado poblacional automatizado.

La identificación de pacientes de alto riesgo podría facilitar intervenciones dirigidas, como evaluación de osteoporosis, densitometría ósea, optimización del tratamiento antiosteoporótico, prevención de caídas o revisión de medicamentos que incrementen el riesgo de fractura.

Sin embargo, el modelo carece de determinadas variables potencialmente relevantes, entre ellas tabaquismo, consumo de alcohol y otros factores relacionados con el estilo de vida. Por ello, su rendimiento podría mejorar mediante la incorporación de información clínica adicional.

El algoritmo no es necesariamente la clave

Los autores señalan una cuestión metodológica especialmente importante. Aunque FRACTURE-ML obtuvo excelentes resultados, modelos estadísticos tradicionales desarrollados cuidadosamente alcanzaron una precisión comparable.

Esto sugiere que el principal avance podría no residir exclusivamente en emplear algoritmos de aprendizaje profundo, sino en aprovechar de manera más completa los grandes volúmenes de información disponibles en los sistemas sanitarios.

Antes de incorporar FRACTURE-ML a la práctica clínica será necesaria su validación en poblaciones de otros países y la realización de estudios prospectivos que evalúen su impacto real sobre las decisiones médicas y la incidencia de fracturas.

Del tratamiento de la fractura a su prevención

El estudio plantea un cambio potencial de paradigma: utilizar los registros sanitarios para identificar de forma automatizada a personas vulnerables antes de que sufran una fractura de cadera.

La elevada sensibilidad alcanzada por FRACTURE-ML podría permitir seleccionar poblaciones en las que realizar posteriormente una evaluación clínica más detallada, evitando que el cribado inicial dependa exclusivamente de consultas presenciales.

Si futuros estudios confirman su utilidad en escenarios reales, herramientas de este tipo podrían integrar la predicción de riesgo en la atención sanitaria rutinaria y desplazar progresivamente el abordaje de la fractura de cadera desde una estrategia reactiva hacia una prevención personalizada y anticipatoria.

The post La inteligencia artificial multiplica la detección del riesgo de fractura de cadera appeared first on El médico interactivo.

from El médico interactivo https://ift.tt/mYwq7D9