Un modelo predictivo basado en datos nacionales de salud identifica dos subgrupos de pacientes con enfermedad renal crónica con una prevalencia de pérdida auditiva radicalmente distinta, lo que permite una detección dirigida.

La pérdida auditiva y la enfermedad renal crónica (ERC) comparten factores de riesgo y podrían estar relacionadas a través de la inflamación y de vías metabólicas comunes. Sin embargo, no todos los pacientes con enfermedad renal desarrollan pérdida auditiva al mismo ritmo. Un nuevo estudio de aprendizaje automático con datos de 3,402 pacientes con ERC revela que las técnicas de estratificación del riesgo y de agrupamiento pueden identificar a los pacientes con mayor riesgo, lo que podría permitir una evaluación auditiva y una intervención más tempranas en esta población vulnerable.

El eje renal-coclear es un área de interés emergente en la medicina, que reconoce que la salud de los riñones y la del oído están entrelazadas en sus mecanismos. Ambos órganos dependen de una regulación precisa del flujo sanguíneo, del equilibrio de iones y de la ausencia de inflamación sistémica. La ERC altera estos procesos, lo que plantea la pregunta: ¿podemos predecir qué pacientes con enfermedad renal desarrollarán pérdida auditiva?

Contexto: la conexión entre el riñón y el oído

La enfermedad renal crónica afecta aproximadamente al 10 por ciento de la población mundial y es una causa importante de morbilidad y mortalidad prematuras. Entre los pacientes con ERC, la prevalencia de pérdida auditiva es elevada, pero sigue sin estar claro por qué algunos pacientes desarrollan deficiencia auditiva y otros no. Los investigadores plantearon la hipótesis de que el aprendizaje automático podría revelar patrones ocultos en los datos de los pacientes que distingan a los subgrupos de bajo riesgo de los de alto riesgo.

Este equipo utilizó datos de la Encuesta Nacional de Examen de Salud y Nutrición (NHANES), una muestra amplia y representativa a nivel nacional de la población de los EE. UU., para desarrollar y validar modelos predictivos. El objetivo era crear tanto un clasificador de riesgo sólido como una herramienta web que los médicos pudieran usar para identificar a los pacientes de alto riesgo que deberían recibir una evaluación auditiva.

Cómo se realizó el estudio

A partir de 3,402 pacientes con ERC, los investigadores extrajeron 31 variables predictoras candidatas que abarcaban datos demográficos, bioquímicos y de estilo de vida. Utilizaron la regresión LASSO para seleccionar las características con mayor capacidad predictiva y luego probaron nueve algoritmos de aprendizaje automático para desarrollar el modelo de predicción óptimo. El algoritmo XGBoost resultó ganador, con una precisión del 98.4 por ciento en el entrenamiento y del 93.9 por ciento en los datos de prueba independientes.

Después aplicaron un modelo de mezcla gaussiana (GMM), una técnica de agrupamiento no supervisado, para identificar subfenotipos de pacientes diferenciados. Así surgieron dos grupos naturales: uno de bajo riesgo y otro de alto riesgo, caracterizados por perfiles clínicos distintos que incluían la edad, los marcadores de función renal y el equilibrio de electrolitos.

Lo que encontraron los investigadores

El subgrupo de alto riesgo estaba formado por 2,316 pacientes (68 por ciento de la cohorte) y se caracterizaba por una mayor edad, nitrógeno ureico en sangre elevado y niveles elevados de bicarbonato. Cabe destacar que el 48.2 por ciento de los pacientes del grupo de alto riesgo tenía pérdida auditiva, frente a apenas el 1.58 por ciento en el grupo de bajo riesgo, de 1,075 pacientes. Esta notable diferencia de 30 veces demuestra que el aprendizaje automático puede descubrir subgrupos de pacientes clínicamente significativos con riesgos de enfermedad muy diferentes.

El análisis SHAP (SHapley Additive exPlanations), un método que interpreta modelos complejos de aprendizaje automático, identificó la edad como el principal factor de riesgo, seguida de otros marcadores renales y sistémicos. Esta explicabilidad es fundamental para la adopción clínica, ya que los médicos necesitan entender por qué un modelo hace sus predicciones.

El equipo también desarrolló una herramienta web que utiliza solo las seis características más influyentes, lo que facilita que los médicos con poco tiempo ingresen los datos y obtengan una estimación del riesgo de pérdida auditiva en tiempo real para cualquier paciente con ERC.

Qué significa para las personas con enfermedad renal

Para los pacientes con ERC, este trabajo sugiere que la evaluación auditiva debería formar parte de la atención de rutina, especialmente en quienes tienen mayor edad, nitrógeno ureico elevado o alteraciones de los electrolitos. La detección temprana permite intervenir antes de que la pérdida auditiva sea lo bastante severa como para afectar la comunicación y la calidad de vida. Contar con una herramienta predictiva significa que los médicos pueden dar prioridad a la prueba de detección auditiva en quienes tienen más probabilidades de beneficiarse.

La detección de precisión que hace posible el aprendizaje automático es especialmente valiosa en entornos de pocos recursos, donde las pruebas de audición pueden ser limitadas. Al identificar al 68 por ciento de los pacientes con ERC que pertenecen al grupo de alto riesgo, los sistemas de salud pueden asignar los recursos de evaluación auditiva de forma más eficiente.

Por qué la tecnología autoajustable es adecuada para los pacientes de alto riesgo

Los pacientes con ERC suelen tener varias enfermedades concomitantes, tratamientos con medicamentos complejos y visitas frecuentes a la clínica. Sumar citas especializadas de audiología a una carga ya pesada es complicado desde el punto de vista logístico. Los audífonos de venta libre permiten acceder más rápido a la amplificación sin tener que programar citas adicionales en la clínica.

Panda Quantum incluye una prueba de audición en línea de 10 minutos, ajustada clínicamente, que los pacientes con ERC de alto riesgo pueden hacer en casa para luego ajustar su dispositivo desde la app según cómo escuchan en la vida real. Su conectividad Bluetooth permite llamadas manos libres y la transmisión de audio del teléfono al audífono, algo especialmente útil para los pacientes que gestionan su salud mediante telemedicina durante o entre sus visitas a la clínica. Las 80 horas de batería total con el estuche y la garantía de 5 años brindan tranquilidad a los pacientes con necesidades médicas complejas. Descubra Panda Quantum.

Limitaciones de esta investigación

El estudio utilizó datos de NHANES, una muestra de la población de los EE. UU. que podría no ser generalizable a nivel mundial. El diseño transversal implica que no se puede establecer causalidad. La utilidad clínica del modelo aún debe confirmarse mediante una validación prospectiva en cohortes independientes de pacientes con ERC.

Dónde nos deja esto

Las herramientas de medicina de precisión como este marco de aprendizaje automático pueden transformar la forma en que abordamos la pérdida auditiva en las enfermedades crónicas. Al identificar subgrupos de alto riesgo, hacemos posible una intervención más temprana y un mejor uso de recursos limitados.

Chen L, Wang J, Liu G, et al. Decoding the renal-cochlear axis: explainable machine learning and phenotype clustering reveal high-risk hearing loss subtypes in CKD. Renal Failure. 2026 Apr 21;48(1):2649658. Consultado en PubMed. DOI: 10.1080/0886022X.2026.2649658