La Inteligencia Artificial en el diagnóstico primario de sarcopenia
Por Santiago Arceo Díaz*
Cuando acudimos a una cita médica, todos esperamos ser atendidos por profesionales de la salud altamente capacitados, actualizados y que puedan darnos respuestas claras sobre nuestra salud. En caso de ser necesario, queremos que nos orienten hacia estudios clínicos precisos que permitan llegar al diagnóstico correcto y definir el tratamiento más adecuado en el menor tiempo posible.
Aunque este ideal pueda parecer lejano o futurista, ya comienza a ser una realidad gracias a la Inteligencia Artificial (IA), que permite el análisis de grandes cantidades de información mediante técnicas matemáticas que nos ayudan a tener un sistema capaz de identificar el riesgo de padecer enfermedades.
En un futuro próximo, conforme mejoren los sistemas que facilitan los diagnósticos médicos, crecerá la esperanza de vida. Sin embargo, cada vez serán más frecuentes los síndromes asociados al envejecimiento. Uno muy frecuente es la sarcopenia, una condición caracterizada por la pérdida progresiva de masa muscular y fuerza. La sarcopenia afecta la funcionalidad y la independencia de las personas adultas mayores, incrementando el riesgo de caídas, hospitalizaciones y, en casos severos, el fallecimiento prematuro.
El diagnóstico clínico de sarcopenia requiere de una medición precisa de la masa músculo esquelética (responsable de funciones como la movilidad, el soporte estructural y la postura). Esa medición se realiza mediante equipos de rayos X de energía dual, que crean una imagen en donde el músculo se diferencia de otros tejidos, esto puede implicar un costo poco asequible para la mayoría de la población mexicana.
Como alternativa, las pruebas primarias que permiten identificar a las personas adultas mayores que no están en riesgo de sarcopenia, favoreciendo la canalización de aquellas con sospecha de diagnóstico positivo. Estas pruebas primarias se basan en el registro de variables corporales clave, denominadas marcadores, si el paciente presenta valores bajos en las pruebas se le clasifica con sarcopenia. Se han propuesto marcadores como el perímetro de la pantorrilla, la circunferencia del brazo, la fuerza de agarre o la velocidad de marcha. Sin embargo, la morfología de las personas varía entre regiones, y por tanto, es necesario determinar los puntos de corte con base a la zona de interés.
Con esto en mente, en el Centro Universitario de Investigaciones Biomédicas de la Universidad de Colima diseñamos y desarrollamos una aplicación móvil que tiene como objetivo utilizar los datos disponibles de la población mexicana para desarrollar modelos de clasificación y diagnóstico primario de sarcopenia mediante Machine-learning.
Machine-learning es una rama de la IA en la que se crean modelos de clasificación y toma de decisiones a partir de un conjunto de datos. En nuestro caso, podemos crear algoritmos que asistan a los especialistas a la calificación de pacientes nuevos a partir de los resultados de las pruebas clínicas hechas, previamente.
Al disponer de los registros de los marcadores usamos el algoritmo “clustering jerárquico” que crea conjuntos de pacientes (llamados clúster, o “cúmulos”) que comparten resultados similares en sus marcadores. A mayor semejanza entre registros, el cluster será más compacto, permitiendo analizar los conjuntos como participantes individuales en lugar de cientos o miles de registros.
A partir de los registros del “Cuadernillo de obesidad, sarcopenia y fragilidad en adultos mayores derechohabientes del IMSS de las delegaciones Sur y Norte de la Ciudad de México” ediciones 2019 y 2022, se analizaron 3000 registros para crear modelos predictivos adaptados a la población mexicana.
Con las y los pacientes clasificados en clusters, se crearon modelos predictivos, llamados árboles de decisión. Los árboles de decisión dividen un grupo de pacientes en grupos cada vez más pequeños, identificando las variables más importantes. Por ejemplo, el índice de masa corporal (IMC) podría ser la primera variable, separando a las y a los pacientes en categorías de mayor o menor riesgo según un límite establecido. Después, otros marcadores, como la fuerza de agarre o la velocidad de marcha se utilizan para hacer divisiones más detalladas. Al final, el modelo identifica los patrones más comunes en los datos, asigna a cada paciente un nivel de riesgo de sarcopenia y muestra los puntos de corte.
Como parte del compromiso de la Universidad de Colima hacia la sociedad, se construyó una aplicación móvil de libre acceso donde la persona usuaria introduce los marcadores antropométricos de una persona paciente y se genera un diagnóstico en pocos minutos a partir de los modelos predictivos. De esta manera ofrece al personal especialista de salud médica una herramienta digital de libre acceso que permite realizar un diagnóstico primario de sarcopenia (consulte https://itchihuahua.mx/revista_electro/2024/A53_18-24.pdf).
Si bien, estos modelos predictivos se encuentran en fase de desarrollo y validación, esperamos que en el futuro representen una ayuda valiosa para la toma de decisiones y el cuidado del estado de salud de las personas adultas mayores.
*Profesor e investigador colaborador en el Centro Universitario de Investigaciones Biomédicas, Universidad de Colima
Las opiniones expresadas en este texto periodístico de opinión son responsabilidad exclusiva del autor y no son atribuibles a El Comentario.
