Candidatura

TrASgu: El arte de predecir para poder prevenir

La progresión de la Enfermedad Renal Crónica (ERC) supone un reto asistencial creciente, especialmente en entornos donde el seguimiento individualizado es limitado. En este contexto, se presenta TrASgu, un modelo predictivo de IA orientado al cribado poblacional, diseñado para anticipar la progresión de la ERC y apoyar la priorización clínica. Basado en datos clínicos procedentes de múltiples sistemas sanitarios y estandarizados en OMOP, TrASgu integra información demográfica, analítica, diagnóstica y farmacológica, incluyendo un índice de nefrotoxicidad obtenido mediante NLP. Los resultados indican que TrASgu puede ser empleado como herramienta de cribado negativa, permitiendo descartar con fiabilidad a pacientes con bajo riesgo de progresión y focalizar el seguimiento en aquellos con mayor probabilidad de empeoramiento. Se propone su uso dentro de una estrategia escalonada que optimice recursos, priorice derivaciones tempranas y complemente, no sustituya, la evaluación clínica.

Antecedentes

La ERC es un grave problema de salud pública, que afecta a la homeostasis corporal y que está estrechamente relacionado con la aceleración de enfermedades cardiovasculares y de infecciones graves, así como la muerte prematura. Se trata de una patología cuya aparición no podemos predecir actualmente a largo plazo, lo que impide intervenir de forma preventiva antes de que la enfermedad se establezca; en la práctica, sólo se detecta una vez que el paciente ya la padece.

Es más, debido al envejecimiento de la población y al incremento de la prevalencia de factores de riesgo: como la Diabetes Mellitus tipo 2, Obesidad o Hipertensión arterial; se prevé que esta situación se vea acentuada en un futuro.

Por estos motivos, y con el objetivo de impulsar intervenciones de carácter preventivo, se están desarrollando estrategias y planes para aumentar el conocimiento y la sensibilización sobre el impacto de la ERC. En este sentido, Europa y EEUU han declarado esta década como la década del riñón.

Retos

Objetivo principal: Anticipar la progresión del estadiaje renal de los pacientes mediante el desarrollo de un modelo predictivo para el riesgo de progresión de la ERC basado en técnicas de aprendizaje automático.

Objetivos secundarios:

• Estratificar a los pacientes en tres niveles de riesgo (bajo, medio y alto) según su probabilidad de deterioro de la función renal, asociando a cada nivel un circuito clínico específico.

• Disponibilizar de forma visual los resultados de TrASgu a través de un dashboard interactivo que permita a los profesionales clínicos interpretar y traducir la ciencia de datos en decisiones clínicas con impacto asistencial.

• Desarrollar un Data Lake de uso secundario integrado en Cuélebre (Proyecto de Espacio de Datos de Salud del SESPA), utilizando un modelo de datos común (OMOP-CDM) que garantice la interoperabilidad de la información clínica.

Fases

TrASgu se desarrolla sobre una arquitectura automatizada entre GitLab y Cloudera Machine Learning (ML), que estructura todo el ciclo de vida del proyecto. GitLab actúa como repositorio central, proporcionando un control de versiones y trabajo colaborativo en ramas paralelas.

Cloudera ML actúa como entorno de ejecución del flujo metodológico completo, incluyendo un análisis exploratorio de los datos, construcción del tablón analítico y desarrollo de modelos mediante MLFlow. Esta herramienta permite llevar un registro sistemático de experimentos y métricas, facilitando la identificación del modelo predictivo con mejor comportamiento clínico en la tarea de identificación de progresión de la ERC.

Finalmente, el modelo seleccionado de TrASgu se integra en un dashboard con Streamlit, que permite visualizar predicciones individualizadas y generar alertas automáticas, permaneciendo disponible en sesión continua para el personal sanitario, optimizando así la agilidad en la consulta.

Nuevos Servicios

TrASgu se centra en el cribado efectivo y precoz de pacientes con riesgo de progresión de la ERC, evitando que deterioros iniciales evolucionen hacia exacerbaciones y saltos de estadio evitables, que concentran la mayor intensidad asistencial y coste.

Su alto Valor Predictivo Negativo (VPN) [94,7%] permite focalizar el seguimiento solo en casos de riesgo o duda real. Simulando el impacto en la cohorte asturiana analizada con el modelo (≈338.000 pacientes polimedicados o con medicación nefrotóxica, prevalencia ERC 76%), el cribado permitiría identificar ~43.000 pacientes en riesgo real de evolución, sobre los que una consulta preventiva estructurada podría evitar ~6.900 descompensaciones evitables anuales.

Con un coste medio por ingreso >5.000€ frente a un coste preventivo ~103€ de una consulta, suponiendo un ahorro de alrededor de 4900€ por paciente descompensado identificado esto sin contar con el impacto de poder evitar atenciones de alta intensidad.

Conclusiones

TrASgu demuestra un desempeño robusto para su uso como cribado poblacional para la identificación de pacientes con riesgo de progresión de la ERC, evidenciado por su elevado VPN (94.7%), Especificidad (84.1%) y F1- - Score (89.1%). Lo que indica que la utilidad clínica de TrASgu radica en su capacidad para descartar con alta fiabilidad a los individuos con baja probabilidad de empeoramiento clínico, funcionando como una prueba de cribado negativa eficaz.

Esta capacidad permite optimizar el uso de los recursos sanitarios al enfocar el seguimiento clínico y los esfuerzos de monitorización en aquellos pacientes que presentan un perfil de riesgo real.

Sin embargo, dada la tasa de falsos positivos observada, se concluye que el modelo debe emplearse como un complemento dentro de un enfoque clínico integral y no como la única base para la toma de decisiones individuales.