Crean una herramienta IA que permite anticipar riesgos metabólicos en niños y niñas con obesidad
13 diciembre, 2024
El trabajo forma parte de los proyectos IBEROMIC y EXOMAIR del ISCIII y del proyecto EprObes (‘Prevención Temprana de la Obesidad’) coordinado por el CIBER y en el que participan investigadores de UGR, entre ellos 3 del instituto DaSCI. Ha sido publicado en la revista ‘Artificial Intelligence in Medicine‘
El modelo de IA utiliza datos clínicos y epigenéticos para personalizar la predicción de riesgos metabólicos, permitiendo intervenciones tempranas que podrían reducir las comorbilidades de la obesidad y los costes sanitarios
Varios equipos del Centro de Investigación Biomédica en Red (CIBER) en la Universidad de Granada (UGR) han desarrollado un modelo de Inteligencia Artificial (IA) explicable para predecir el riesgo de alteraciones metabólicas en niños con obesidad. Este estudio ha sido elaborado por personal investigador liderado por Concepción M. Aguilera García del área de Fisiopatología de la Obesidad y Nutrición del CIBER (CIBEROBN), en el Departamento de Bioquímica y Biología Molecular II, el Instituto de Nutrición y Tecnología de los Alimentos José Mataix (CIBM), el Instituto de Investigación Biosanitaria (ibs.GRANADA) y los investigadores María Arteaga, Rafael Alcalá, y Jesús Alcalá-Fdez del Instituto Andaluz Interuniversitario en Ciencia de Datos and Inteligencia Computacional (DaSCI).
El equipo multidisciplinar ha desarrollado un innovador modelo de Inteligencia Artificial (IA) explicable para predecir el riesgo de resistencia a la insulina en niños y niñas con obesidad. Este avance supone un importante paso hacia la medicina personalizada y la detección temprana de riesgos metabólicos, con el objetivo de prevenir complicaciones a largo plazo asociadas con la obesidad infantil.
La resistencia a la insulina es un factor clave que conecta la obesidad con un mayor riesgo de enfermedades cardiovasculares en etapas posteriores de la vida. La pubertad se ha identificado como un momento crítico después del cual esta condición resulta más difícil de revertir. Por ello, anticiparse a su aparición es esencial para implementar intervenciones eficaces que reduzcan las comorbilidades y los costes asociados.
Un enfoque multiómico y basado en IA explicable
El estudio, publicado en la revista Artificial Intelligence in Medicine, se ha realizado en una cohorte longitudinal de 90 niños y niñas en etapa prepuberal. El modelo de IA combina datos clínicos tradicionales, como el índice de masa corporal (IMC) y la relación leptina/adiponectina, con nuevos biomarcadores epigenéticos en genes clave (HDAC4, PTPRN2, MATN2, RASGRF1 y EBF1). Además, utiliza explicaciones generadas por SHapley Additive exPlanations (SHAP) para proporcionar a los profesionales sanitarios una comprensión clara del funcionamiento del modelo y el impacto de las variables en cada predicción.
El sistema ha demostrado una alta capacidad predictiva, con un área bajo la curva (AUC) y una media geométrica (G-mean) de 0,92. Estos resultados subrayan el valor de integrar datos multiómicos y metodologías de IA explicable para abordar problemas complejos en entornos clínicos.
Impacto clínico y colaboración internacional
Este avance podría revolucionar la forma en que se detectan y gestionan los riesgos metabólicos en hospitales. Al permitir intervenciones farmacológicas o ajustes en el estilo de vida desde etapas tempranas, el modelo no solo mejora el pronóstico de los pacientes, sino que también podría reducir significativamente los costes para la sanidad pública.
El proyecto ha sido financiado por los proyectos IBEROMIC y EXOMAIR del Instituto de Salud Carlos III y el proyecto europeo EprObes (Preventing lifetime obesity by early risk-factor identification, prognosis and intervention), que aborda la obesidad como un grave problema de salud pública desde un enfoque multidisciplinario. Además de la Universidad de Granada, han participado grupos clínicos del IDIS de Santiago de Compostela, el IIS de Aragón y otros centros nacionales e internacionales.
Hacia una medicina personalizada
El uso de tecnologías bioinformáticas e inteligencia artificial permite avanzar hacia intervenciones más personalizadas y eficaces. Como señala el investigador Álvaro Torres, del CIBEROBN, “esta combinación de datos no solo permite predicciones precisas, sino también una comprensión más profunda del proceso de toma de decisiones del modelo, lo que facilita su aplicación clínica”.
Este trabajo representa un ejemplo de cómo la colaboración entre la investigación básica y clínica, así como el uso de tecnologías avanzadas, puede transformar la prevención y tratamiento de enfermedades metabólicas desde las primeras etapas de la vida.
El Consorcio CIBER (Centro de Investigación Biomédica en Red) depende del Instituto de Salud Carlos III –Ministerio de Ciencia, Innovación y Universidades y tiene como objetivo impulsar la investigación de excelencia en biomedicina y ciencias de la salud que se realiza en el Sistema Nacional de Salud y en el Sistema de Ciencia y Tecnología. En la actualidad, cuenta con 513 grupos de investigación pertenecientes a 105 instituciones consorciadas en España.
Referencia del artículo
Torres-Martos, Á., Anguita-Ruiz, A., Bustos-Aibar, M., et al. (2024). Multiomics and eXplainable artificial intelligence for decision support in insulin resistance early diagnosis: A pediatric population-based longitudinal study. Artificial Intelligence in Medicine, 156, 102962. https://doi.org/10.1016/j.artmed.2024.102962