Predicción basada en el aprendizaje automático de lesiones tubulointersticiales en la enfermedad renal diabética: un...

Área de la Ciencia:

• Nefrología
• Investigación de la enfermedad renal diabética
• La medicina computacional

Sus antecedentes:

• Las lesiones tubulointersticiales (TIL) son factores clave de la progresión de la enfermedad renal diabética (DKD).
• Los métodos actuales para evaluar las TIL, principalmente las biopsias invasivas, carecen de conocimientos integrales y multidimensionales.
• Hay una necesidad crítica de herramientas predictivas no invasivas y precisas para el manejo de DKD.

Objetivo del estudio:

• Desarrollar y validar un nomograma basado en el aprendizaje automático para predecir el riesgo de lesiones tubulointersticiales (TIL) en pacientes con enfermedad renal diabética (DKD).
• Establecer una herramienta no invasiva que integre la función renal, los marcadores metabólicos y las características patológicas para mejorar la evaluación del riesgo de DKD.
• Facilitar la identificación temprana de los pacientes de alto riesgo y orientar las intervenciones específicas en el tratamiento de la EAD.

Principales métodos:

• Un estudio multicéntrico en el que participaron 337 pacientes con DKD confirmado por biopsia entre 2010 y 2024.
• Se utilizaron regresión logística y LASSO con validación cruzada de 10 veces para identificar los indicadores predictivos.
• Se desarrolló y validó un nomograma de aprendizaje automático para la discriminación, la calibración y la utilidad clínica utilizando el Análisis de la Curva de Decisión (ACD).

Principales resultados:

• La creatinina sérica (SCr), el HDL y la hiperplasia glomerular severa se identificaron como predictores independientes de las TIL.
• El nomograma desarrollado logró una alta precisión predictiva con valores de AUC de 0,93 (entrenamiento), 0,86 (validación interna) y 0,94 (validación externa).
• El análisis de la curva de decisión mostró un beneficio clínico neto un 75% mayor en comparación con los modelos tradicionales, lo que demuestra una utilidad clínica significativa.

Conclusiones:

• El modelo de aprendizaje automático desarrollado ofrece un método preciso y no invasivo para predecir TIL en DKD, evitando la necesidad de biopsias renales repetidas.
• Integrando la función renal, los marcadores metabólicos y las características patológicas, el modelo ayuda en el diagnóstico y las sugerencias de tratamiento.
• Este enfoque apoya la nefrología de precisión al permitir la identificación temprana de pacientes de alto riesgo y facilitar las intervenciones específicas para el manejo de la DKD.