Desarrollo de un modelo predictivo de enfermedad renal crónica
Palabras clave:
albuminuria, insuficiencia renal crónica, linfocitos, modelos logísticos, neutrófilos, progresión de la enfermedad, valor predictivo de las pruebasResumen
Introducción: Los modelos predictivos para la enfermedad renal crónica (ERC) se han convertido en herramientas para un problema de salud que afecta al 10 % de la población mundial. Su desarrollo es necesario para identificar patrones de progresión en una enfermedad silenciosa en sus inicios.
Objetivo: Desarrollar un modelo predictivo para la detección de la progresión de la ERC.
Métodos: Estudio analítico prospectivo en pacientes con ERC estadio 1- 4. Se obtuvo una muestra de 267 (muestreo aleatorio simple sin reposición). Variables: edad, sexo, color de la piel, antecedentes de hábitos tóxicos, antecedentes patológicos personales, glicemia, creatinina, urea, colesterol, triglicéridos, hemograma, linfocitos, neutrófilos, índice neutrófilo linfocito (INL), albuminuria. Se realizó una partición temporal de la muestra (67,5 %) para construir el modelo, se utilizó la regresión logística ordinal (95 % confiabilidad).
Resultados: El modelo clasificó al 81,6 % de los pacientes, erró en el 16,4 %. Explicó el 68 % de los cambios de la variable dependiente; el incremento de la creatinina, la albuminuria y el INL, incrementan la probabilidad de progresión de la ERC.
Conclusión: El modelo pronóstico tiene un adecuado rendimiento para el riesgo de progresión de ERC, y una adecuada clasificación de los pacientes, explica más del 50 % de los cambios de la variable estudiada. El modelo final incluyó la creatinina, la albuminuria y el INL. Las categorías 3 y 4 mostraron resultados discretos.
Descargas
Citas
1. Gallardo LS, Rodríguez AJ, Burgos M, Martínez ML, García P, Villagrán ME, et al. Utilidad de un modelo de predicción para la enfermedad renal crónica en una unidad de primer nivel de atención [Internet]. Nefrología. 2016; 36(2): 89-216. DOI: https://doi.org/10.1016/j.nefro.2015.10.010
2. Lim DKE, Boyd JH, Thomas E, Chakera A, Tippaya S, Irish A, et al. Prediction models used in the Progression of chronic kidney disease: A scoping review [Internet]. PlosOne. 2022;17(7): e0271619. DOI: https://doi.org/10.1371/journal.pone.0271619
3. Reddy S, Roy S, Choy KW, Sharma S, Dwyer KM, Manapragada C, et al. Predicting chronic kidney disease progression using small pathology datasets and explainable machine learning models [Internet]. Computer Methods and Programs in Biomedicine Update. 2024;6: [aprox. 34 p.]. DOI: https://doi.org/10.1016/j.cmpbup.2024.100160
4. Giraldo-Castrillón Y, Arango C, Molina CF, Segura A. Usability of predictive models of kidney failure in chronic kidney disease: a scoping review [Internet]. CES Med. 2022;36(3): 69-85. DOI: https://doi.org/10.21615/cesmedicina.6987
5. Collins GS, Moons KGM. Reporting of artificial intelligence prediction models [Internet]. Lancet. 2019;20(393): 1577-79. DOI: https://doi.org/10.1016/S0140-6736
6. Escalona-González SO, González- Milán ZC. Inteligencia artificial en la predicción de mortalidad por enfermedad renal crónica [Internet]. Anales de la ACC. 2022;12(3):[aporx. 2 p.] Disponible en: http://scielo.sld.cu/scielo.php?pid=S2304-01062022000300004&script=sci_arttext
7. Ferguson T, Ravani P, Sood MM, Clarke A, Komenda P, Rigatto C, et al. Development and external validation of a machine learning model for progression of CKD [Internet]. Kidney Int Rep. 2022;7(8):1772-81. DOI: https://doi.org/10.1016/j.ekir.2022.05.004
8. Olczak J, Pavlopoulos J, Prijs J, Doornberg JN, Lundstrom C, Hedlund J, et al. Presenting artificial intelligence, deep learning, and machine learning studies to clinicians and healthcare stakeholders: an introductory reference with a guideline and a Clinical AI Research (CAIR) checklist proposal [Internet]. Acta Orthop. 2021; 92(5): 513–25.DOI: https://doi:10.1080/17453674.2021.1918389
9. Reddy S, Fox J, Purohit MP. Artificial intelligence-enabled healthcare delivery [Internet]. J R Soc Med. 2019; 112(1): 22–28. DOI: https://doi.org/10.1177/0141076818815510
10. Reddy S. Explainability and artificial intelligence in medicine [Internet]. Lancet Digit Health. 2022; 4(4):214–15. DOI: https//doi.org/10.1016/S2589-7500(22)00029-2
11. Ebbehoj A, Thunbo MO, Andersen OE, Glindtvad MV, Hulman A. Transfer learning for non-image data in clinical research: a scoping review [Internet]. Plos Digit Health. 2022; 1(2):1-22. DOI: https//doi.org/10.1371/journal.pdig.0000014
12. Chan L, Nadkarni GN, Fleming F, McCullough JR, Connolly P, Mosoyan G, et al. Derivation and validation of a machine learning risk score using biomarker and electronic patient data to predict progression of diabetic kidney disease [Internet]. Diabetología. 2021; 64(7):1504–1515. DOI: https//doi.org/101007/s00125-021-05444-0
13. Liu J, Wu J, Liu S, Li M, Hu K, Li K. Predicting Mortality of patient with acute kidney injury in the ICU using XGBoost model [Internet]. Plos One. 2021; 16(2)1-11: DOI: https//doi.org/10.1371/journal.pone.0246306
14. Tangri N, Kitsios GD, Inker LA, Griffith J, Naimark DM, Walker S, et al. Risk prediction models for patients with CKD [Internet]. Annals of Internal Medicine. 2013; 158(8):596- 603. DOI: https//doi.org/10.7326/0003-4819-158-8-201304160-00004
15. Tofallis C. A better measure of relative prediction accuracy for model selection and model estimation [Internet]. JORS. 2015; 66(8): 1352–62. DOI: https://doi.org/10.1057/jors.2014.103
16. Levey AS, Stevens LA, Schmid CH, Zhang Y, Castro AF, Feldman H, et al. A new equation to estimate glomerular filtration rate [Internet]. Ann Intern Med. 2011;155(6): 604-12. DOI: https://doi.org/10.7326/0003-4819-150-9-200905050-00006
17. Asociación Médica Mundial. Declaración de Helsinki de la AMM – Principios éticos para las investigaciones médicas con participantes humanos. WMA; 2024. [acceso: 09/06/2025]. Disponible en: https://www.wma.net/es/policies-post/declaracion-de-helsinki-de-la-amm-principios-eticos-para-las-investigaciones-medicas-en-seres-humanos/
18. Gallardo V, Rodríguez J, Burgos O. Utilidad de un modelo de predicción para la Enfermedad Renal Crónica en una unidad de primer nivel de atención [Internet]. Nefrología (Madr.). 2016 [acceso: 09/06/2025]; 36(2): 196-8. Disponible en https://scielo.isciii.es/scielo.php?pid=S0211-69952016000200196&script=sci_arttext&tlng=en
19. Bai Q, Su C, Tang W, Li Y. Machine learning to predict end stage kidney disease in chronic kidney disease [Internet]. Scientific Reports. 2022: 8377. DOI: https://doi.org/10.1038/s41598-022-1236-z
20. Australian Institute of Health and Welfare (AIHW). Chronic kidney disease: Australian facts [Internet]. Canberra: Australian Institute of Health and Welfare; 2024. [acceso: 09/06/2025]. Disponible en: https://www.aihw.gov.au/reports/chronic-kidney-disease
21. Miranda Machado PA. Progression of chronic kidney disease in over 65-year-old nephroprotection program patients in Colombia [Internet]. Rev Colomb Nefrol. 2023;10(2):1-10. DOI: https://doi.org/10.22265/acnef.10.2.659
22. Lim DKE, Boyd JH, Thomas E, Chakera A, Tippay S, Irish A, et al. Prediction models used in the progression of chronic kidney disease: A scoping review [Internet]. PLoS One. 2022; 17(7):1-24. DOI: https://doi.org/10.1371/journal.pone.0271619
23. Martínez-Castelao A, Górriz JL, Bóver J, Segura de la Morena JC, Escalada J, Esmatjes E, et al. Documento de consenso para la detección y manejo de la enfermedad renal crónica [Internet]. Nefrología (Madr.). 2014; 34(2): 243-62. DOI: https://doi.org/103265/Nefrología.pre2014.Feb.12455
24. Batista D, Estrada JC, Morell L. Enfermedad renal crónica y factores de progresión en pacientes con diabetes mellitus tipo 2 [Internet]. Revista Información Científica. 2024; 103:e4611. DOI. https://doi.org/10.5281/zenodo.10999895
25. Burlacu A, Namolovan CA, Covic A, Goldsmith DJ, Kanbay M. Neutrophil-to-Lymphocyte Ratio (NLR). Independent prognostic marker of renal function decline in chronic kidney disease: A systematic review and meta-analysis [Internet]. 2025;14(19):6822. DOI: https://doi.org/103390/jmc1496822
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Dania Castillo Deprés, Saymara Castillo Deprés, Ariel Delgado Ramos, María Josefina Vidal Ledo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cual estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons. Los contenidos que aquí se exponen pueden ser compartidos, copiados y redistribuidos en cualquier medio o formato. Pueden ser adaptados, remezclados, transformados o creados otros a partir del material, mediante los siguientes términos: Atribución (dar crédito a la obra de manera adecuada, proporcionando un enlace a la licencia, e indicando si se han realizado cambios); no-comercial (no puede hacer uso del material con fines comerciales) y compartir-igual (si mezcla, transforma o crea nuevo material a partir de esta obra, podrá distribuir su contribución siempre que utilice la misma licencia que la obra original).
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada.
