14/05/2026
Dr. Antonio Ruiz Reina.
Inteligencia artificial en el diagnóstico y predicción de EPOC: IA aplicada a imágenes y modelos predictivos para anticipar exacerbaciones
La enfermedad pulmonar obstructiva crónica (EPOC) mantiene un impacto devastador en la sostenibilidad de nuestros sistemas de salud y en la calidad de vida de los pacientes. Desafortunadamente el manejo de la enfermedad sigue adoleciendo de un enfoque predominantemente reactivo y nuestra capacidad clínica para predecir exacerbaciones se ha limitado a observar el retrovisor: el historial de agudizaciones. Este paradigma está a punto de cambiar de forma radical gracias a la madurez metodológica que ha alcanzado la inteligencia artificial (IA) en los últimos años.
En el terreno del diagnóstico y la caracterización morfológica, el aprendizaje profundo (deep learning) aplicado a las pruebas de imagen está redefiniendo el concepto de fenotipado. Las redes neuronales convolucionales analizan hoy la tomografía computarizada (TC) torácica superando la simple evaluación visual del enfisema o del atrapamiento aéreo. Las herramientas actuales de radiómica extraen miles de parámetros cuantitativos que son indetectables para el ojo humano, permitiendo evaluar la remodelación vascular pulmonar y el daño temprano en la pequeña vía aérea. Metaanálisis recientes de 2025 demuestran que estos algoritmos alcanzan precisiones diagnósticas superiores al 85%, identificando el deterioro estructural de forma precoz, mucho antes de que la caída del FEV1 sea objetivable en la espirometría convencional.
Sin embargo, el avance más disruptivo para nuestra práctica clínica diaria radica en los modelos predictivos de exacerbaciones. Hasta hace poco, los modelos de riesgo operaban con variables clínicas estáticas aisladas.
Aquí es donde intervienen los algoritmos de Machine Learning (ML), especialmente los modelos basados en árboles de decisión como el Gradient Boosting (GB).
Estos algoritmos funcionan construyendo múltiples árboles de decisión de forma secuencial. Cada nuevo árbol se diseña específicamente para corregir los errores de predicción del árbol anterior. De este modo, el modelo aprende a ponderar relaciones no lineales e interacciones sumamente complejas.
Hoy, el ML permite la integración de datos multimodales de enorme complejidad. Hablamos de procesar en tiempo real distintas variables (clínicas, analíticas o biomarcadores, radiológicas y fisiológicas dinámicas/wereables).
La literatura reciente evidencia que algoritmos basados en redes neuronales o GB consiguen anticipar las exacerbaciones a corto y medio plazo (3 y 6 meses) con áreas bajo la curva (AUC) que superan de forma consistente el 0.80, utilizando variables clínicas como el antecedente de exacerbaciones, disnea mMRC, CAT, comorbilidades y uso de corticoides; resultando el mejor modelo el XGBoost con AUC 0.795 (3 meses) y 0.813 (6 meses). Trabajos recientes permiten predecir exacerbaciones mediante biomarcadores en orina procesados por IA, o mediante el uso de datos multimodales digitales y telemonitorización (gradient-boosting trees) usando inhaladores digitales con sensor de uso más parámetros de inhalación (pico de flujo inspiratorio, volumen inspiratorio y duración) para predecir la primera agudización grave, demostrando que es posible generar alertas días o semanas antes del evento clínico con AUC 0.77 utilizando como señal o alerta el descenso PIF/volumen en días previos. Esto abre una ventana de oportunidad para realizar ajustes terapéuticos ambulatorios antes de que el paciente requiera asistencia en urgencias.
Necesitamos por tanto una IA explicable (explainable AI) que nos permita comprender qué variables motivan una alerta de riesgo y el peso exacto de cada variable gracias a herramientas como los valores SHAP (Shapley Additive exPlanations), garantizando así que nuestras decisiones terapéuticas sigan siendo fundamentadas, éticas y seguras.
Como especialistas en neumología, nos corresponde exigir que estos modelos superen la validación interna y demuestren su robustez en cohortes multicéntricas del mundo real.
La IA no va a sustituir el criterio clínico del neumólogo, pero si debemos de apoyarnos en ella, transformando nuestra asistencia en un modelo mayormente preventivo, asegurando que lideremos con criterio la EPOC en la nueva era digital.
BIBLIOGRAFIA
PATROCINADO POR:
