Marcadores de análisis de sangre ayudaron a detectar el riesgo de pérdida auditiva relacionada con la edad

Un modelo creado a partir de resultados de análisis de sangre comunes identificó a adultos con mayor riesgo de pérdida auditiva relacionada con la edad, y los marcadores de azúcar en la sangre aportaron gran parte del poder predictivo.

La pérdida auditiva relacionada con la edad es una de las afecciones más comunes en la vejez y una de las que más se toleran en silencio. Las personas suelen notarla años después de que comienza, a menudo cuando conversar en una sala concurrida ya se ha vuelto realmente difícil. Para entonces, el ajuste necesario es mayor de lo que habría sido.

Ese retraso es lo que hace interesante la detección temprana. Un equipo de la Chongqing Medical University y del Chongqing General Hospital se hizo una pregunta poco común: ¿podrían los análisis de sangre de rutina, como los que ya figuran en millones de historias clínicas, señalar quién probablemente tiene pérdida auditiva relacionada con la edad antes de que alguien programe una prueba de audición? Su respuesta, publicada en Diagnostics, es un sí con matices.

Antecedentes: por qué los investigadores estudiaron este tema

La pérdida auditiva relacionada con la edad, que los médicos llaman presbiacusia y abrevian como ARHL, es el deterioro gradual de la audición que acompaña al envejecimiento. Por lo general afecta primero a las frecuencias agudas, por eso las consonantes se vuelven confusas antes que las vocales, y por eso la queja inicial suele ser que la gente habla entre dientes y no que los sonidos son bajos.

Para diagnosticarla correctamente se necesita un audiograma, una prueba de audición realizada en un entorno controlado. Es una buena herramienta, pero depende de que alguien decida ir a hacerse la prueba. A nivel de la población, esa decisión se toma tarde y a menudo nunca, lo que deja a un gran grupo de personas con pérdida auditiva sin tratar y sin ninguna alerta en sus registros.

La idea de los investigadores fue trabajar con datos que ya existen. Los análisis de sangre de rutina se realizan constantemente por otros motivos. Si la ARHL deja una huella detectable en los marcadores sanguíneos comunes, esa huella podría usarse para clasificar a grandes poblaciones según su riesgo, mayor o menor, y orientar a quienes más probablemente se beneficiarían hacia una prueba de audición real. Se trata de una herramienta de preselección, no de un diagnóstico, y esa distinción recorre todo el artículo.

Cómo se realizó el estudio

El equipo reunió a 542 participantes de la National Health and Nutrition Examination Survey, la encuesta de salud estadounidense de larga trayectoria conocida como NHANES. La muestra se diseñó como un estudio equilibrado de casos y controles: 271 personas con pérdida auditiva relacionada con la edad y 271 controles sanos. Luego, esos participantes se dividieron al azar en un conjunto de entrenamiento con la mitad de la muestra y dos conjuntos independientes de validación interna con una cuarta parte cada uno.

En lugar de comprometerse con un único enfoque de modelado, los investigadores compararon sistemáticamente 113 combinaciones de algoritmos de aprendizaje automático y se quedaron con la de mejor desempeño, una combinación de glmBoost y modelado lineal generalizado por pasos hacia adelante. Luego aplicaron un método llamado SHAP, que calcula cuánto contribuyó cada variable a una predicción determinada. Ese paso es lo que el artículo entiende por “interpretable”: el objetivo era un modelo cuyo razonamiento pudiera examinarse, en lugar de una caja negra que simplemente arroja una respuesta.

Evaluar un modelo con la misma población con la que se entrenó lo favorece, por lo que el equipo también realizó una validación externa con una cohorte independiente de 92 pacientes del Chongqing People's Hospital. Por último, crearon una herramienta web interactiva con el marco R Shiny, para que el modelo pudiera usarse en la evaluación de riesgo en tiempo real y no quedara solo en una revista científica.

Lo que encontraron los investigadores

Con los datos de entrenamiento, el modelo alcanzó un AUC de 0.948. El AUC, o área bajo la curva, resume qué tan bien un modelo distingue entre dos grupos: 0.5 equivale a lanzar una moneda y 1.0 es perfecto, así que 0.948 es un resultado sólido. En los dos conjuntos de validación interna se mantuvo, con puntuaciones de 0.893 y 0.945, y una precisión general del 86.3%.

La prueba más significativa fue la externa. Al aplicarse a 92 pacientes de otro país y de otro sistema de salud, el rendimiento bajó, pero no se desplomó: obtuvo un AUC de 0.839 (IC del 95%: 0.750 a 0.918) y una precisión del 77.2%. Una caída de esa magnitud cuando un modelo sale de su entorno de origen es normal y, en cierto sentido, tranquilizadora: sugiere que el modelo aprendió algo sobre la pérdida auditiva y no algo sobre NHANES.

El modelo se quedó con nueve variables predictivas clave. Las tres con mayor peso según el análisis SHAP fueron la hemoglobina glucosilada (HbA1c), el volumen corpuscular medio (VCM) y la glucosa en sangre. La HbA1c mide el promedio del azúcar en sangre durante aproximadamente los tres meses anteriores, y el VCM describe el tamaño promedio de los glóbulos rojos.

Ese trío principal es el resultado más interesante del artículo. Dos de los tres predictores más importantes son medidas del azúcar en sangre, lo que coloca la salud metabólica en el centro del razonamiento del modelo sobre la audición. Los autores lo presentan como un indicio de mecanismos sistémicos detrás de la ARHL, es decir, que la pérdida auditiva relacionada con la edad podría estar ligada a lo que ocurre en el resto del cuerpo, en lugar de ser un problema puramente local del oído.

Conviene ser cuidadosos con lo que esto demuestra. Se trata de asociaciones encontradas en un modelo de predicción. El estudio no demuestra que el azúcar alto en sangre cause pérdida auditiva, y un marcador puede ser predictivo sin ser causal.

Qué significa para las personas con pérdida auditiva

Nadie debería leer este estudio y concluir que un análisis de sangre puede decirle si tiene pérdida auditiva. Los autores dejan claro que se trata de una herramienta de preselección para grandes poblaciones, no de una prueba diagnóstica individual, y el audiograma sigue siendo la forma de saber cómo está realmente su audición.

Lo que sí sugiere es un cambio en la forma de detectar la pérdida auditiva. Hoy el sistema espera a que las personas noten el problema y actúen. Un modelo como este apunta a lo contrario: identificar los casos probables a partir de datos que ya se recopilaron y luego invitar a esas personas a hacerse una prueba. Lo interesante no es el algoritmo, sino que se invierte quién da el primer paso.

También hay una enseñanza personal modesta. Si los marcadores metabólicos tienen tanto peso predictivo, entonces la diabetes y el control del azúcar en sangre deben formar parte de la misma conversación que la audición, algo que la mayoría de las personas no relaciona. Y sea lo que sea lo que señale el riesgo, esa alerta solo vale algo si el siguiente paso es lo bastante fácil como para que la gente realmente lo dé.

Detectar el riesgo solo sirve si hacerse la prueba es fácil

La premisa central de este estudio es que la pérdida auditiva pasa demasiado tiempo sin medirse. Un modelo de preselección reduce esa brecha desde un extremo, al identificar a quién se debe evaluar. El otro extremo de la brecha es lo que sucede después, y ahí es donde una prueba que usted puede hacerse por su cuenta cambia las cosas.

Como este estudio trata, en esencia, de identificar antes la pérdida auditiva, los dispositivos que incluyen su propia prueba auditiva son relevantes para el mismo problema. Panda Quantum pertenece a la categoría de audífonos con prueba auditiva propia: usted lo vincula con la app Panda, que realiza una prueba por frecuencias a través del propio audífono y programa la ganancia y la respuesta de frecuencia según su audiograma, al estilo de una adaptación clínica. Panda Air incluye la misma prueba desde la app. Esa personalización auditiva desde la app es lo que convierte un dispositivo en algo ajustado a su propia audición, y no en un amplificador genérico.

Quantum es un audífono RIC (auricular en el canal) con procesamiento de 16 canales y reducción activa de ruido, pensado para entender el habla con claridad en entornos ruidosos, que es donde la pérdida auditiva relacionada con la edad suele manifestarse primero. Ofrece hasta 80 horas de batería total con su estuche, Bluetooth para llamadas, TV y música, e incluye una garantía de 5 años y devoluciones durante 45 días. Una advertencia que conviene tener presente: los audífonos OTC están aprobados para la pérdida auditiva leve a moderada, y la pérdida severa o profunda sigue beneficiándose más de una adaptación clínica.

Puede obtener más información en pandahearing.com/products/panda-hearing-aids-quantum.

Limitaciones de esta investigación

La muestra es pequeña para este tipo de trabajo. Un total de 542 participantes divididos en conjuntos de entrenamiento y validación deja cifras modestas en cada uno, y la validación externa se basó en solo 92 casos de un único centro, una limitación que los propios autores reconocen. Una cohorte externa de un solo centro pone a prueba la transferibilidad de forma débil, ya que los pacientes de un hospital tienen sus propias particularidades. El diseño equilibrado, con el mismo número de casos y controles, tampoco refleja qué tan frecuente es realmente la ARHL en la población general, lo que afecta la forma en que las cifras de precisión se trasladan a un tamizaje en el mundo real.

También hay un problema más sutil. Comparar 113 combinaciones de algoritmos y elegir la ganadora es un procedimiento que tiende a producir resultados optimistas, porque el mejor de muchos candidatos se ve favorecido en parte por ajustarse al ruido. La validación externa es el control adecuado para eso, y la caída de 0.948 a 0.839 es más o menos lo que esa preocupación haría prever. Los autores también tienen cuidado de presentar el modelo como una herramienta de preselección y no como una prueba diagnóstica para personas de la misma edad. En el resumen no se indicaron conflictos de interés ni fuentes de financiamiento.

Qué hacer con esta información

Tome esto como una señal sobre el rumbo que se está tomando, no como un resultado sobre el que pueda actuar personalmente. Nada de esto cambia lo que una persona debe hacer respecto a su audición, y ningún análisis de sangre le dirá si necesita ayuda para oír a sus nietos. Lo que sí sugiere es que la pérdida auditiva relacionada con la edad podría ser más visible en los datos de salud habituales de lo que se suponía, y que el azúcar en sangre está más relacionado con esta historia de lo que la mayoría imaginaría. Si un modelo como este llega a ganarse un lugar en la práctica, el resultado sería que la pérdida auditiva se detectaría antes, que siempre ha sido la parte difícil.

He D, Liu Y, Ke J, Jiang X, Ma H, Shi Y, Yuan W. Development and Validation of an Interpretable Machine Learning Model Based on Routine Blood Biomarkers: For Predicting Age-Related Hearing Loss. Diagnostics (Basel). 2026;16(13). Consultado en PubMed. https://doi.org/10.3390/diagnostics16132025