El trabajo, publicado en la revista Artificial Intelligence in Medicine, destaca por integrar datos clínicos y epigenéticos para estimar los riesgos metabólicos en los próximos años.

El desarrollo de este modelo ha sido posible gracias al apoyo financiero del Instituto de Salud Carlos III y del proyecto europeo EprObes, titulado 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 (IMC) 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, lo que significa que su 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.

Los resultados del estudio revelan que los niños con alteraciones metabólicas durante el desarrollo puberal presentan patrones clínicos y epigenéticos diferenciados desde la etapa prepuberal.

Detección temprana

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.

Este estudio ha sido elaborado por personal investigador liderado por equipo de Mercedes Gil-Campos y Concepción M. Aguilera García del área de Fisiopatología de la Obesidad y Nutrición del CIBER (CIBEROBN), en el Departamento de Bioquímica y Biología Molecular II, el Instituto de Nutrición y Tecnología de los Alimentos “José Mataix” (CIBM), el Instituto de Investigación Biosanitaria (ibs.GRANADA) y el Instituto Andaluz Interuniversitario en Data Science and Computational Intelligence (DaSCI).

Este proyecto, llevado a cabo en el Parque Tecnológico de la Salud de Granada, 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 (Prevención Temprana de la Obesidad)

Es un proyecto multidisciplinario, liderado por CIBER, que aborda la obesidad como un grave problema de salud pública. El proyecto centrado en la paciente 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.

EprObes reúne a científicos de diversos países como Alemania, Francia, Dinamarca, Turquía, Polonia, Bélgica y Estonia, y cuenta con la participación de instituciones destacadas como la Universidad de Córdoba, el IDIBELL, el IMIBIC, el CSIC y la Universidad de Valencia, junto a 18 organizaciones internacionales

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