Nueva IA revoluciona las pruebas para detectar riesgo de fractura de cadera
- Modelo predictivo para fracturas de cadera
- Datos y metodología
- Resultados destacados
- Potencial del modelo y futuras investigaciones
Modelo predictivo para fracturas de cadera
Una nueva herramienta basada en aprendizaje automático, desarrollada con datos del registro nacional de salud sueco, ha demostrado una alta precisión para predecir fracturas de cadera sin necesidad de evaluaciones presenciales. Este hallazgo abre la puerta a detectar a un grupo mucho mayor de personas en riesgo, algo que las actuales prácticas clínicas no alcanzan a lograr, según un estudio de la Universidad de Gotemburgo divulgado en PLOS Medicine.
Las fracturas de cadera afectan gravemente a la calidad de vida en adultos mayores, llevando a discapacidades, enfermedades y alta mortalidad. Sin embargo, los métodos actuales suelen requerir examen físico y recopilación de datos personales como el índice de masa corporal y hábitos de vida, dificultando un cribado masivo.
Datos y metodología
El análisis abarcó información de más de 3.5 millones de suecos mayores de 50 años, acompañados hasta por diez años. Durante este periodo, más de 140,000 personas experimentaron una fractura de cadera. Con más de 100,000 variables – datos clínicos, medicamentos, procedimientos y factores sociodemográficos –, se diseñó y validó un modelo de aprendizaje profundo llamado FRACTURE-ML.
Este sistema fue probado en un grupo independiente al original y consiguió una tasa de precisión notable: un área bajo la curva (AUC) de 0.89 a un año y 0.85 a cinco años para identificar quién sufriría una fractura de cadera. Incluso una versión simplificada, basada en solo 35 variables, mantuvo un desempeño casi igual.
Resultados destacados
Cuando se comparó con las técnicas de cribado usadas actualmente en Suecia, FRACTURE-ML detectó casi siete veces más casos de riesgo dentro de un periodo de dos años (sensibilidad 0.84 frente a 0.12). Esto se logró con una ligera disminución en la especificidad (0.79 vs 0.98), lo que significa una adecuada combinación entre identificación y precisión.
Es importante señalar que la herramienta se basa únicamente en datos de registro, sin considerar factores de estilo de vida como alcohol o tabaco, que también pueden influir en el riesgo. Por ello, los investigadores destacan la necesidad de validar el modelo en otros países y probar su utilidad en entornos reales.
Potencial del modelo y futuras investigaciones
Kristian Axelsson, autor principal, subraya que la predicción de fracturas a nivel poblacional sin interacción directa puede transformar la prevención, facilitando intervenciones más efectivas. Mattias Lorentzon, coautor, añade que esta tecnología podría optimizar los programas de detección masiva y llegar a las personas antes de que ocurra la lesión.
Ambos expertos resaltan que esta innovación no solo apunta a evitar consecuencias graves para la salud y autonomía, sino también a que la atención sanitaria se mueva desde la reacción hacia la prevención.
Un dato clave es que incluso con un modelo reducido que usa menos variables se consigue un alto nivel de precisión, lo que favorece la creación de herramientas prácticas y fáciles de interpretar. Aunque el aprendizaje automático mostró grandes resultados, los métodos estadísticos tradicionales también alcanzaron una precisión similar, lo que indica que la clave está en sacarle mayor provecho a los datos ya disponibles en los registros nacionales.