Un modelo predictivo que utiliza datos de salud nacionales identifica dos subgrupos de pacientes con enfermedad renal crónica con una prevalencia de pérdida auditiva radicalmente diferente, lo que permite realizar pruebas de detección específicas.

La pérdida de audición y la enfermedad renal crónica (ERC) comparten factores de riesgo comunes y pueden estar relacionadas a través de la inflamación y vías metabólicas compartidas. Sin embargo, no todos los pacientes con enfermedad renal desarrollan pérdida de audición al mismo ritmo. Un nuevo estudio de aprendizaje automático que utiliza datos de 3.402 pacientes con ERC revela que las técnicas de estratificación y agrupamiento del riesgo pueden identificar qué pacientes tienen mayor riesgo, lo que podría permitir una evaluación e intervención auditiva más tempranas en esta población vulnerable.

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

Antecedentes: la conexión riñón-oído

La enfermedad renal crónica afecta aproximadamente al 10 por ciento de la población mundial y es una de las principales causas de morbilidad y mortalidad prematuras. Entre los pacientes con ERC, la prevalencia de la pérdida auditiva es elevada, pero aún no está claro por qué algunos pacientes desarrollan problemas de audición mientras que otros no. Los investigadores plantearon la hipótesis de que el aprendizaje automático podría revelar patrones ocultos en los datos de los pacientes que distinguen 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 grande y representativa a nivel nacional de la población de EE. UU., para desarrollar y validar modelos predictivos. El objetivo era crear un clasificador de riesgos sólido y una herramienta basada en la web que los médicos pudieran utilizar para identificar a los pacientes de alto riesgo que deberían recibir una evaluación auditiva.

Cómo se realizó el estudio

De 3.402 pacientes con ERC, los investigadores extrajeron 31 variables predictoras candidatas que abarcaban factores demográficos, bioquímicos y de estilo de vida. Utilizaron la regresión LASSO para seleccionar las características más predictivas y luego probaron nueve algoritmos de aprendizaje automático para desarrollar el modelo de predicción óptimo. El algoritmo XGBoost resultó ganador, logrando una precisión del 98,4 por ciento en el entrenamiento y un 93,9 por ciento de precisión en los datos de pruebas independientes.

Luego aplicaron el modelado de mezclas gaussianas (GMM), una técnica de agrupación no supervisada, para identificar distintos subfenotipos de pacientes. Esto reveló dos grupos naturales: un grupo de bajo riesgo y otro de alto riesgo, caracterizados por diferentes perfiles clínicos que incluyen edad, marcadores de función renal y equilibrio electrolítico.

Lo que encontraron los investigadores

El subgrupo de alto riesgo estaba compuesto por 2.316 pacientes (68 por ciento de la cohorte) y se caracterizaba por una edad avanzada, niveles elevados de nitrógeno ureico en sangre y niveles elevados de bicarbonato. En particular, el 48,2 por ciento de los pacientes del grupo de alto riesgo tenían pérdida auditiva, en comparación con sólo el 1,58 por ciento en el grupo de bajo riesgo de 1.075 pacientes. Esta sorprendente 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 factor de riesgo predominante, seguida de otros marcadores renales y sistémicos. Esta explicabilidad es crucial para la adopción clínica, ya que los médicos necesitan comprender por qué un modelo hace sus predicciones.

El equipo también desarrolló una herramienta basada en web que utiliza sólo las seis características más influyentes, lo que hace que sea práctico para los médicos ocupados ingresar datos y recibir una estimación del riesgo en tiempo real de pérdida auditiva en cualquier paciente con ERC.

Qué significa para las personas con enfermedad renal

Para los pacientes con ERC, este trabajo sugiere que la evaluación de la audición debería convertirse en parte de la atención de rutina, especialmente para aquellos con edad elevada, nitrógeno ureico elevado o anomalías electrolíticas. La detección temprana permite intervenir antes de que la pérdida auditiva se vuelva lo suficientemente grave como para afectar la comunicación y la calidad de vida. La disponibilidad de una herramienta predictiva significa que los médicos pueden priorizar las pruebas auditivas para aquellos que tienen más probabilidades de beneficiarse.

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

Por qué la tecnología de autoajuste es adecuada para pacientes de alto riesgo

Los pacientes con ERC a menudo enfrentan múltiples comorbilidades, regímenes de medicación complejos y visitas clínicas frecuentes. Agregar citas de audiología especializada a una carga que ya es pesada es un desafío logístico. Los audífonos de venta libre permiten un acceso más rápido a la amplificación sin programación clínica adicional.

Panda Quantum incluye una prueba de audición en línea de 10 minutos clínicamente ajustada que los pacientes con ERC de alto riesgo pueden completar en casa y luego ajustar su dispositivo a través de una aplicación basada en la escucha del mundo real. Sus capacidades Bluetooth permiten llamadas con manos libres y transmisión de audífonos desde teléfonos, lo que es especialmente útil para los pacientes que administran la atención médica a través de telesalud durante o entre visitas a la clínica. La batería total de 80 horas con estuche y la garantía de 5 años brindan tranquilidad a los pacientes con necesidades médicas complejas. Descubrir Panda Quantum.

Limitaciones de esta investigación

El estudio utilizó datos de NHANES, una muestra de población estadounidense que puede no generalizarse a nivel mundial. El diseño transversal significa que no se puede establecer la causalidad. La utilidad clínica del modelo espera una validación prospectiva en cohortes independientes de ERC.

Donde 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 enfermedades crónicas. Al identificar subgrupos de alto riesgo, permitimos una intervención más temprana y un mejor uso de los recursos limitados.

Chen L, Wang J, Liu G, et al. Decodificando el eje renal-coclear: el aprendizaje automático explicable y la agrupación de fenotipos revelan subtipos de pérdida auditiva de alto riesgo en la ERC. Insuficiencia Renal. 21 de abril de 2026;48(1):2649658. Obtenido de PubMed. DOI: 10.1080/0886022X.2026.2649658