Inteligencia artificial permite anticipar el daño renal agudo en pacientes de UCI con datos de las primeras 24 horas
El trabajo, basado en registros de 1.512 pacientes del Hospital Clínico UC Christus, fue presentado por Min Ha Lee, estudiante del Doctorado en Ciencias Médicas UC y miembro de iHEALTH, en el congreso AIiH 2026 en Londres.
Aproximadamente una cuarta parte de los pacientes que ingresa a una Unidad de Cuidados Intensivos (UCI) desarrolla una lesión renal aguda, una complicación que aumenta el riesgo de secuelas y de muerte. El problema es que hoy se detecta tarde: los criterios diagnósticos que se usan en todo el mundo, conocidos como KDIGO, se basan en señales que aparecen cuando el riñón ya está dañado.
Anticiparse a ese daño es el objetivo del trabajo que Min Ha Lee, estudiante del Doctorado en Ciencias Médicas de la Pontificia Universidad Católica de Chile e investigadora de iHEALTH, presentó en la tercera Conferencia Internacional de Inteligencia Artificial en Salud (AIiH 2026), realizada entre el 26 y el 28 de agosto en el Imperial College London.
"El criterio diagnóstico que usamos hoy es reactivo, es decir, detecta el daño cuando ya ocurrió. Queríamos saber si, con los datos de las primeras 24 horas de hospitalización, podíamos predecir la lesión renal aguda. Y la respuesta es sí, se puede", explica la investigadora.
Un modelo entrenado con datos locales
El equipo trabajó con registros clínicos anonimizados de 1.512 pacientes adultos hospitalizados en la UCI del Hospital Clínico UC Christus entre agosto de 2023 y enero de 2025. Con esa información entrenó un modelo de machine learning del tipo Random Forest, que combina muchos "árboles de decisión" para estimar qué pacientes tienen mayor riesgo.
El modelo completo acertó en cerca del 84% de los casos y alcanzó un índice de 0,88 en la medida estándar de capacidad predictiva (AUC-ROC), en una escala donde 0.5 equivale al azar. El desempeño siguió siendo clínicamente relevante incluso al quitar variables APACHE.
El estudio arrojó además un hallazgo llamativo. En pacientes que ingresaron con la función renal aparentemente normal, valores de creatinina aún dentro del rango normal, pero sobre 0,72 mg/dL, ya se asociaban a mayor riesgo. Esto sugiere una "zona gris" de vulnerabilidad que los criterios actuales no capturan.
"Hasta donde sabemos, es el primer modelo de este tipo desarrollado con datos de una UCI chilena", destaca Lee. La mayoría de estas herramientas se ha creado en Estados Unidos y Europa, con pacientes y prácticas clínicas distintas a las de América Latina. El siguiente paso, señalan los autores, es validar el modelo en otras UCI del país, públicas y privadas.
El desafío de los datos escritos en texto libre
El trabajo dejó a la vista una limitación frecuente en la investigación clínica. "Gran parte de la información valiosa está escrita en texto libre, en documentos como la epicrisis, y no en campos estructurados. De hecho, en este mismo proyecto teníamos más variables, pero finalmente se excluyeron las que no eran numéricas y completas", cuenta.
De ahí surgió una segunda línea de trabajo, en desarrollo junto al equipo de UCI del Hospital Sótero del Río y el equipo de ingenieros iHealth formado por Rafael Kaempfer y Fabián Ortega: usar modelos de lenguaje que se ejecutan localmente, dentro de la propia institución con los datos de pacientes anonimizados, para extraer datos estructurados de esos textos. "Así podemos maximizar la cantidad de datos disponibles para estudios como éste y, a la vez, nos aseguramos de proteger la confidencialidad de los pacientes. El objetivo es convertir el texto libre en datos utilizables para la investigación, para herramientas de apoyo clínico y, a futuro, para mejorar modelos predictivos como el de lesión renal aguda", explica.
Clínicos e ingenieros en un mismo equipo
Lee comenzó a trabajar con el Dr. Marcelo Andia, director alterno de iHEALTH, al ingresar al doctorado, motivada por investigar con inteligencia artificial. En este estudio, su aporte se centró en el conocimiento y la interpretación de los resultados desde su formación clínica. El trabajo fue aceptado en AIiH 2026 como póster con presentación oral breve.
"Fue una experiencia nueva, porque nunca había ido a un congreso internacional. Fue muy enriquecedor interactuar con investigadores de otros países y ver las distintas formas en que se puede aplicar el machine learning en salud", comenta.
Sobre el rol del instituto, agrega: "iHEALTH ha sido clave, porque reúne en un mismo equipo a clínicos e ingenieros, algo que sería mucho más difícil de conseguir por cuenta propia. El futuro de la salud está en la capacidad de comunicación y colaboración multidisciplinaria, y iHEALTH entrega el ambiente necesario para que eso ocurra".
