En un notable avance en la predicción de la progresión de la Enfermedad Renal Crónica (ERC) a Enfermedad Renal en Etapa Terminal (ERET), investigadores de Carnegie Mellon University han implementado un enfoque basado en múltiples fuentes de datos e inteligencia artificial explicable. Este método permite identificar con precisión a pacientes en riesgo de desarrollar ERET utilizando datos clínicos integrados con historiales de reclamaciones de seguros.
Los científicos trabajaron con una amplia base de pacientes diagnosticados con ERC, aprovechando información recopilada entre 2009 y 2018. El elemento innovador de este estudio radica en el uso de modelos de aprendizaje profundo como las Redes de Memoria a Largo Corto Plazo (LSTM), que alcanzó un impresionante AUC de 0.93 y una F1 Score de 0.65, superando así enfoques previos basados en datos aislados.
Además, ajustaron su enfoque al periodo óptimo de 24 meses para lograr un equilibrio adecuado entre detección temprana y precisión predictiva. Lo que destaca de esta investigación es la implementación de ecuaciones eGFR actualizadas para mejorar la clasificación y reducir sesgos raciales, beneficiando particularmente a pacientes afroamericanos.
El equipo utilizó técnicas avanzadas de inteligencia artificial explicable para identificar los predictores clave y examinar patrones de clasificación erróneos. Esto les permitió entender y mejorar la precisión de los modelos, detectando errores tipo I y II. La investigación identificó que la presencia de registros clínicos de estadio CKD 5 gramaticalmente influyó en la precisión.
A través de una cuidada integración de múltiples fuentes de datos, la investigación abrió la puerta a una gestión más eficaz y equitativa del comportamiento de la ERC, sentando un precedente para la aplicación de estas técnicas en otras enfermedades crónicas.
Con todo, aunque se han alcanzado logros sólidos, la investigación concluye que es fundamental seguir expandiendo la integración de datos y ajustar los modelos para abordar las limitaciones actuales, mejorando así la precisión y la aplicabilidad clínica en escenarios más diversos.
Este estudio no solo mejora las capacidades de predicción de la ERET, sino que también proporciona una estructura que puede ser adaptada a otras condiciones, promoviendo decisiones clínicas informadas que reducirán las desigualdades y optimizarán los resultados médicos.