Los investigadores dicen que los modelos de alerta temprana podrían ayudar a dirigir la atención preventiva

Los niños que desarrollan eczema muy temprano en la vida suelen terminar enfrentando otras afecciones alérgicas, pero los clínicos han tenido pocas herramientas para estimar qué pacientes tienen más probabilidades de progresar a una enfermedad respiratoria más grave. Un nuevo estudio sugiere que el aprendizaje automático podría ofrecer ahora una forma más precisa de clasificar ese riesgo.

En una investigación publicada en línea el 17 de abril en el Journal of Allergy and Clinical Immunology, investigadores de Kaiser Permanente Southern California desarrollaron y validaron modelos predictivos para niños diagnosticados con dermatitis atópica antes de los 3 años. Usando datos de historiales clínicos electrónicos de 10.688 niños, el equipo construyó modelos para estimar el riesgo individual de desarrollar asma persistente de moderada a grave y rinitis alérgica entre los 5 y los 11 años.

Los resultados apuntan a una herramienta clínica potencialmente útil, especialmente para los sistemas de salud que buscan identificar antes a los niños con mayor riesgo e intervenir antes de que los síntomas empeoren. Los investigadores informaron un rendimiento sólido para la predicción del asma y un rendimiento más moderado, pero aún significativo, para la rinitis alérgica.

Predicción sólida del asma en un gran conjunto de datos del mundo real

Los modelos de asma obtuvieron puntuaciones de área bajo la curva de 0,893 para la versión completa y 0,892 para una versión simplificada, lo que indica una fuerte capacidad de discriminación para separar a los niños que más tarde desarrollaron la enfermedad de aquellos que no la desarrollaron. Con un umbral de 95% de especificidad, el modelo completo logró una sensibilidad de 40,4% y un valor predictivo positivo de 39,3%, mientras que el modelo simplificado alcanzó una sensibilidad de 36,2% y un valor predictivo positivo de 33,8%.

Estas cifras importan porque sugieren que los modelos fueron especialmente buenos para limitar los falsos positivos sin dejar de captar una proporción significativa de niños que más tarde desarrollarían asma persistente. En la práctica, ese equilibrio puede ser importante en la atención pediátrica, donde la intensificación innecesaria tiene costos, pero pasar por alto el riesgo puede provocar retrasos en el tratamiento y complicaciones evitables.

Los modelos de rinitis fueron menos precisos que los de asma, pero aun así ofrecieron un rendimiento predictivo moderado. El modelo completo de rinitis alcanzó un AUC de 0,793, mientras que el simplificado obtuvo 0,773. Con una especificidad del 90%, el modelo completo llegó a una sensibilidad de 35,5% con un valor predictivo positivo de 72,7%, mientras que el simplificado produjo una sensibilidad de 34,0% y un valor predictivo positivo de 69,2%.

Los autores también informaron una calibración aceptable, con una concordancia especialmente sólida en los grupos de mayor riesgo. Ese punto es significativo porque incluso un modelo con fuerte discriminación puede ser menos útil si sus estimaciones de riesgo no están bien alineadas con lo que realmente ocurre en la clínica.