La inteligencia artificial podría predecir cambios en la capacidad de caminar de pacientes con hipertensión arterial pulmonar
Las herramientas de inteligencia artificial (IA) podrían ayudar a los médicos a predecir cómo evolucionará la capacidad para caminar de las personas con hipertensión arterial pulmonar (HAP) durante el año siguiente al inicio del tratamiento. Así lo indica un estudio realizado en Alemania y publicado en la revista Scientific Reports.
Los investigadores desarrollaron un modelo basado en aprendizaje automático que utiliza información clínica disponible al comienzo del tratamiento para estimar los cambios que experimentará cada paciente en su capacidad de ejercicio. Aunque los resultados son prometedores, los autores advierten de que todavía se necesitan estudios más amplios antes de incorporar esta herramienta a la práctica clínica habitual.
La HAP es una enfermedad caracterizada por el estrechamiento de los vasos sanguíneos que transportan la sangre desde el corazón hasta los pulmones. Esta alteración dificulta la circulación y la oxigenación de la sangre, y puede limitar la capacidad de realizar actividades físicas, como caminar o subir escaleras.
Una de las pruebas más utilizadas para evaluar la capacidad funcional de estos pacientes es la prueba de la marcha de seis minutos. Consiste en medir la distancia que una persona puede recorrer caminando durante seis minutos sobre una superficie plana. En general, una distancia menor puede indicar una mayor afectación de la enfermedad.
Sin embargo, anticipar cómo cambiará esta capacidad a lo largo del tiempo sigue siendo complicado. Para estudiar si la inteligencia artificial podía ayudar a resolver este problema, los investigadores analizaron si los datos clínicos recogidos al inicio del tratamiento permitían predecir la variación de la distancia recorrida al cabo de 12 meses.
El estudio incluyó a 181 adultos con HAP, de los cuales 117 eran mujeres y 64 hombres. Los pacientes habían sido atendidos en un único centro médico alemán entre 2010 y 2022. Aproximadamente el 68 % presentaba hipertensión arterial pulmonar idiopática, es decir, una forma de la enfermedad cuya causa no se conoce.
Los investigadores recopilaron 92 variables clínicas correspondientes a la evaluación inicial. Entre ellas figuraban la edad, otras enfermedades, los tratamientos específicos para la HAP y diferentes mediciones de la presión en los vasos sanguíneos pulmonares.
Se probaron seis modelos de aprendizaje automático, cada uno basado en diferentes métodos matemáticos para identificar relaciones entre los datos iniciales y los cambios posteriores en la capacidad de caminar. Para desarrollar y evaluar los algoritmos, los investigadores dividieron la información disponible en dos grupos: uno de entrenamiento, con datos de 144 pacientes, y otro de prueba, con los 37 restantes.
El modelo que obtuvo mejores resultados fue el denominado Random Forest o bosque aleatorio. Este algoritmo alcanzó una correlación de 0,76 entre los cambios previstos y los observados realmente. Además, explicó aproximadamente el 58 % de la variabilidad registrada en el grupo de prueba.
Estos resultados indican que la información clínica disponible cuando se evalúa inicialmente a un paciente podría contener patrones útiles para anticipar la evolución de su capacidad funcional durante los 12 meses siguientes.
La posibilidad de realizar estas predicciones podría ayudar a los profesionales sanitarios a identificar a las personas con mayor probabilidad de experimentar un deterioro o una mejoría de su capacidad física. También podría contribuir a una planificación más individualizada del seguimiento y del tratamiento, aunque el estudio no evaluó directamente si el uso del algoritmo mejora los resultados clínicos.
Los autores señalan varias limitaciones importantes. La principal es el reducido número de participantes y el hecho de que todos procedían de un único centro médico. Por tanto, es necesario comprobar si el modelo mantiene su precisión cuando se aplica a poblaciones más amplias y diversas.
Otra limitación es que el algoritmo utilizó exclusivamente datos recogidos al inicio del tratamiento. Incorporar mediciones posteriores y observar cómo evolucionan los parámetros clínicos podría mejorar la capacidad predictiva de los modelos.
Los investigadores consideran necesarios estudios multicéntricos con un mayor número de pacientes para validar los resultados y determinar si estas herramientas pueden aportar beneficios reales en la atención clínica.
En definitiva, el aprendizaje automático podría abrir nuevas posibilidades para anticipar la evolución funcional de las personas con hipertensión arterial pulmonar. Aunque todavía se encuentra en una fase inicial de investigación, esta aproximación podría contribuir en el futuro a una atención más personalizada, basada en la combinación de datos clínicos y herramientas de inteligencia artificial.