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 Universidad de Granada, el Instituto de Investigación Biosanitaria (ibs.GRANADA) y el Instituto Andaluz Interuniversitario en Data Science and Computational Intelligence (DaSCI), entre otras instituciones.
El 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 del estudio revelan que los niños y niñas 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 riesgos metabólicos, lo que permitiría realizar intervenciones farmacológicas o ajustes en el estilo de vida para prevenir enfermedades metabólicas. 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.
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 la obesidad mediante la identificación temprana de factores de riesgo, el pronóstico y la intervención.
Método innovador y personalización de la medicina
El modelo 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 solo 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.
Este proyecto se ha llevado a cabo en el Parque Tecnológico de la Salud de Granada y ha contado con la colaboración de grupos clínicos de otros centros, como el IDIS de Santiago de Compostela y el IIS de Aragón, que han facilitado el reclutamiento de los niños participantes. La investigación ha sido posible gracias a la financiación del Fondo de Investigación Sanitaria (FIS).
EprObes (https://eprobes.eu/) es un proyecto multidisciplinario, liderado por CIBER, que aborda la obesidad como un grave problema de salud pública. Combina estudios clínicos, cognitivos, de salud mental y comportamiento, junto con análisis en modelos preclínicos, para prevenir la obesidad a lo largo de la vida. Su enfoque se centra en los eventos tempranos del desarrollo, desde el período prenatal hasta la pubertad, y en los determinantes de las conductas alimentarias. Utilizando tecnologías bioinformáticas e inteligencia artificial, EprObes busca definir intervenciones personalizadas y preventivas en momentos clave del desarrollo, para evitar el aumento de peso excesivo y complicaciones metabólicas en ambos sexos.
El Consorcio CIBER (Centro de Investigación Biomédica en Red) depende del Instituto de Salud Carlos III –Ministerio de Ciencia, Innovación y Universidades y tiene como objetivo impulsar la investigación de excelencia en biomedicina y ciencias de la salud que se realiza en el Sistema Nacional de Salud y en el Sistema de Ciencia y Tecnología. En la actualidad, cuenta con 513 grupos de investigación pertenecientes a 105 instituciones consorciadas en España.
Referencia del artículo
Torres-Martos, Á., Anguita-Ruiz, A., Bustos-Aibar, M., et al. (2024). Multiomics and eXplainable artificial intelligence for decision support in insulin resistance early diagnosis: A pediatric population-based longitudinal study. Artificial Intelligence in Medicine, 156, 102962. https://doi.org/10.1016/j.artmed.2024.102962
