Redacción Farmacosalud.com
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 coordinado por personal del área de Fisiopatología de la Obesidad y Nutrición del CIBER (CIBEROBN) en la UGR, el Instituto de Investigación Biosanitaria (ibs.GRANADA) y el Instituto Andaluz Interuniversitario en Data Science and Computational Intelligence (DaSCI), entre otras instituciones.
El nuevo trabajo, publicado en la revista ‘Artificial Intelligence in Medicine’, destaca por integrar datos clínicos y epigenéticos para estimar el riesgo de complicaciones metabólicas en los próximos años.
Los resultados de la investigación revelan que los menores con alteraciones metabólicas durante el desarrollo puberal presentan patrones clínicos y epigenéticos diferenciados desde la etapa prepuberal. La aplicación de este modelo de IA en hospitales podría mejorar la detección temprana de peligros metabólicos, lo que permitiría realizar intervenciones farmacológicas o ajustes en el estilo de vida para prevenir enfermedades de esta índole. Esto no solo ayudaría a reducir las comorbilidades asociadas con la obesidad, sino que también podría disminuir los costes para la sanidad pública, según el equipo investigador.
Apoyo del Instituto de Salud Carlos III y EprObes
El desarrollo de este modelo ha sido posible gracias al apoyo financiero del Instituto de Salud Carlos III y del proyecto europeo EprObes (Preventing lifetime obesity by early risk-factor identification, prognosis and intervention), que busca prevenir el exceso severo de peso mediante la identificación temprana de factores de riesgo, el pronóstico y la intervención.
La metodología por IA se basa en datos tradicionales, como el Índice de Masa Corporal y los niveles de hormonas (leptina y adiponectina), así como en nuevos marcadores genéticos en genes relevantes (HDAC4, PTPRN2, MATN2, RASGRF1 y EBF1). Una característica destacada del modelo es que se trata de una IA explicable cuyo funcionamiento puede interpretarse por los profesionales sanitarios.
“Esta combinación de datos permite no sólo la predicción precisa de riesgos, sino también una mayor comprensión de cómo el modelo procesa las variables, lo que posibilita su aplicación en entornos clínicos de forma más efectiva”, explica Álvaro Torres, investigador del CIBEROBN.
Referencia del artículo
Torres Martos, Á, Anguita Ruiz A, Bustos Aibar M, et al. Multiomics and eXplainable artificial intelligence for decision support in insulin resistance early diagnosis: A pediatric population-based longitudinal study. Artificial Intelligence in Medicine. 2024;156:102962