Premium Research ha participado activamente en la elaboración de este artículo publicado en 2025.

En el artículo se explica el desarollo de un software basado en aprendizaje automático como dispositivo médico para predecir en tiempo real la duración y los resultados de la diálisis peritoneal (DP), utilizando biomarcadores en el efluente relacionados con la transición mesotelial a mesenquimal (TMM).

Se trata de un estudio retrospectivo, longitudinal y triple ciego en dos hospitales independientes (España), diseñado según enfoques basados en la teoría de la información para la selección de variables y técnicas de modelado mediante aprendizaje automático. Se incluyeron un total de 151 pacientes de DP (conjunto de entrenamiento) y 32 (conjunto de validación) entre 1979 y 2022. Los resultados de la DP se analizaron en cuatro categorías (duración, salida de la DP, causa de finalización de la DP y fallo técnico) utilizando biomarcadores de la TMM en efluentes y bases de datos clínicas.

Los biomarcadores de la TMM y los datos clínicos permiten predecir la duración de la DP con un error absoluto medio de 16,99 meses utilizando un modelo de regresión de árboles extremadamente aleatorios (Extra Trees, ET). El análisis discriminante lineal (LDA) diferencia entre transferencia a hemodiálisis o fallecimiento, predice si la causa de finalización de la DP es fallo de ultrafiltración (FUF) o enfermedad cardiovascular (ECV) y anticipa el tipo de ECV (área bajo la curva ROC > 0,71).

La combinación de conjuntos de datos longitudinales de DP, reducción de atributos y algoritmos de referencia con pruebas de sobreajuste y corrección de desequilibrio de clases garantiza predicciones robustas en DP. Los biomarcadores mostraron valores adecuados de información mutua y valores SHAP, lo que sugiere que los procesos de TMM podrían tener una relación causal en el desarrollo de FUF y ECV.

El artículo concluye que los biomarcadores de TMM y los datos clínicos podrían estar causalmente asociados con el fallo de ultrafiltración (efecto local) y los eventos cardiovasculares (efecto sistémico) en la DP. El software basado en aprendizaje automático MAUXI permite la aplicación de modelos ET-LDA con ≤38 variables para predecir la duración de la DP y el tipo de fallo técnico relacionado con el deterioro de la membrana peritoneal.