Modelos de aprendizaje automático ayudan a predecir exceso de grasas en sangre en personas con VIH

Un estudio publicado en la revista AIDS ha demostrado que los modelos de aprendizaje automático pueden predecir el riesgo de hiperlipidemia (exceso de grasas en la sangre) en personas con el VIH. Esta capacidad predictiva permitiría intervenir de forma temprana y reducir el riesgo de enfermedades cardiovasculares y cerebrovasculares.

La inteligencia artificial, a través del machine learning o aprendizaje automático, está transformando el ámbito de la salud y la innovación científica. Utiliza algoritmos y modelos computacionales para analizar grandes volúmenes de datos médicos, permitiendo identificar patrones y hacer predicciones sobre el estado de salud de los pacientes.

En el campo del VIH, esta capacidad resulta particularmente valiosa: aporta diagnósticos y pronósticos más precisos, personaliza los tratamientos y optimiza estrategias preventivas. El estudio del Hospital Ditan es un ejemplo de cómo estos avances tecnológicos pueden adaptarse al entorno clínico para mejorar la calidad de vida de las personas con VIH.

La urgencia del problema

En todo el mundo hay aproximadamente 40 millones de personas con el VIH, y cerca de 30,7 millones de ellas reciben tratamiento antirretroviral. Desde la introducción de la terapia antirretroviral de gran actividad (TARGA), la supervivencia de las personas con el VIH ha mejorado de manera notable. Sin embargo, a medida que estas personas viven más años, emergen otras complicaciones no relacionadas directamente con el sida. Entre ellas, las enfermedades cardiovasculares (ECV) figuran como la segunda causa de muerte en personas que reciben TARGA.

¿Por qué surgen las dislipidemias?

Algunos fármacos antirretrovirales pueden alterar el metabolismo de las grasas, elevando los  triglicéridos (TG) o el colesterol LDL (de baja densidad o colesterol malo), o reduciendo el colesterol HDL (de alta densidad o colesterol “bueno”). A la vez, la propia inflamación crónica provocada por el VIH favorece procesos que promueven o favorecen la arterosclerosis. Todo ello coloca a las personas con el VIH en un riesgo elevado de aterosclerosis, infarto de miocardio o accidente cerebrovascular si no se detecta a tiempo un desorden lipídico

Una ventana de oportunidad de seis meses

Varios estudios previos han observado que, al cabo de medio año de iniciar TARGA, muchos pacientes presentan ya alteraciones en su perfil lipídico. Detectar con antelación quiénes desarrollarán hiperlipidemia permitiría intervenir antes: ajustar el régimen antirretroviral, reforzar la educación para el autocuidado de la salud o iniciar fármacos hipolipemiantes.

Sin embargo, hasta hace poco no existían herramientas predictivas que combinaran datos clínicos e inmunológicos para anticipar este riesgo con suficiente precisión.

¿Cómo se construyó el modelo?

Entre enero de 2015 y enero de 2023, los investigadores recolectaron información de 2.479 personas con VIH (96 % hombres, mediana de edad 33 años) que nunca habían recibido terapia antirretroviral. A cada paciente se le tomaron mediciones en el momento en que se decidió empezar el tratamiento, diarias de laboratorio y recuentos inmunológicos básicos.

¿Cómo se hizo el estudio?

El estudio incluyó a personas que no habían recibido tratamiento antirretroviral y que recibían atención en el Hospital Ditan de Pekín (China) entre enero de 2015 y enero de 2023. A cada paciente se le tomaron mediciones en el momento en que se decidió empezar el tratamiento.

En total, se incluyeron a 2.479 participantes, con una mediana de 33 años. De ellos, 2.380 eran hombres y 99 mujeres.

Se definió hiperlipidemia a los seis meses de TARGA si alguno de estos parámetros se encontraba fuera de los límites de referencia (por ejemplo, triglicéridos ≥ 2,3 mmol/L, LDL ≥ 4,1 mmol/L o HDL < 1,0 mmol/L).

Para entrenar el modelo, dividieron la muestra en un 70% para aprendizaje (n=1.737 pacientes) y un 30% para prueba (n=742 pacientes). Entre los algoritmos evaluados figuraban Random Forest, K-Nearest Neighbors, Support Vector Machine, XGBoost y LightGBM

LightGBM: el mejor desempeño

Después de comparar los cinco modelos, LightGBM obtuvo el AUROC más alto en el conjunto de prueba (0,885), lo que indica un excelente poder de discriminación entre quienes sí desarrollarían hiperlipidemia y quienes no. El área bajo la curva ROC (AUROC) se define como la probabilidad de clasificar correctamente a un par de individuos (uno sano y otro enfermo) seleccionados al azar al aplicarles la prueba. Es decir, el AUC refleja cómo de bueno es el test que queremos utilizar para discriminar pacientes con y sin enfermedad a lo largo de todo el rango de puntos de corte posibles.

• Sensibilidad y especificidad: Aunque LightGBM destacó en AUROC, su sensibilidad fue de, aproximadamente, un 36%. Esto significa que “se le escaparon” cerca de dos de cada tres casos positivos si se empleaba el umbral predeterminado. Sin embargo, su especificidad superó el 84%, lo que sugiere que rara vez etiquetaba a alguien como de alto riesgo cuando en realidad no lo era

• Importancia de las variables (análisis SHAP): Para entender por qué LightGBM funcionaba tan bien, los investigadores calcularon los valores SHAP, que miden cuánto influye cada variable en la predicción de riesgo:

• HDL-colesterol a nivel basal (cuanto más bajo, más riesgo).
  • Triglicéridos a nivel basal (cuanto más altos, más riesgo).
  • Carga viral inicial (mayor viremia, mayor probabilidad de dislipidemia).
  • Edad (a mayor edad, mayor riesgo).
  • Albúmina sérica (niveles bajos apuntan a alteraciones metabólicas).
  • Monocitos (relacionados con inflamación).
  • Recuentos de CD4 a nivel basal (recuentos bajos incrementan la vulnerabilidad inflamatoria).
  • Ácido úrico (asociado a estrés oxidativo).
  • Linfocitos (alteraciones inmunológicas que impactan el metabolismo).
  • Sexo masculino (los hombres mostraron mayor probabilidad de dislipidemia que las mujeres en este estudio).

Este ranking coincide con lo que ya se sospechaba: pacientes con un perfil lipídico “limpio” al inicio (HDL alto, TG bajos) y buena función inmunológica tenían menor probabilidad de desarrollar hiperlipidemia, mientras que aquellos con inflamación más activa (viremia alta, recuentos bajos de CD4) corrían mayor riesgo.

¿Qué puede hacer el clínico con esta información?

1. Clasificar a sus pacientes de acuerdo con el riesgo en la primera visita: Al disponer de todos estos datos en la primera consulta, el médico podría ejecutar el modelo LightGBM (o una interfaz similar) y obtener un “score de riesgo de hiperlipidemia” para cada paciente que apenas va a iniciar HAART. Según el porcentaje, cabría:

• Riesgo bajo (< 20 %): seguimiento rutinario cada tres meses.
• Riesgo intermedio (20–50 %): pedir un perfil lipídico a los tres meses en lugar de a los seis, reforzar consejos dietéticos (menos grasas saturadas, más fibra, ejercicio regular).
• Riesgo alto (> 50 %): evaluar cambiarse a un régimen antirretroviral menos proclive a dislipidemia (por ejemplo, basados en inhibidores de la integrasa en lugar de proteasas) y considerar la introducción precoz de estatinas o fibratos, siempre tomando en cuenta interacciones medicamentosas.

2. Proporcionar a los pacientes con el VIH intervenciones de apoyo al autocuidado de la salud: Los resultados avalan la importancia de explicar al paciente que, además de controlar el VIH, es fundamental cuidar la alimentación y el estilo de vida para evitar complicaciones circulatorias. Materiales gráficos sencillos (folletos, infografías) pueden ilustrar recomendaciones básicas, como:

• Aumentar el consumo de grasas saludables (aceite de oliva, frutos secos).
• Reducir los azúcares refinados y las harinas blancas.
• Realizar actividad física moderada al menos 30 min diarios, cinco veces por semana.
• Dejar el tabaco en caso de que fume, y moderar el consumo de alcohol.

Asimismo, resulta muy eficaz el uso de recordatorios (mensajes de texto o aplicaciones móviles) para reforzar estas pautas en los primeros seis meses de tratamiento.

3. Ajustar la pauta farmacológica según perfil: Distintos regímenes antirretrovirales tienen perfiles metabólicos distintos. Los hallazgos sugieren que, para pacientes con HDL bajo y TG elevados desde el inicio, podría convenir un esquema con mejor perfil lipídico. De esta forma se puede minimizar el riesgo de complicaciones a largo plazo y retrasar la necesidad de iniciar fármacos hipolipemiantes.

Limitaciones

El estudio presentó algunas limitaciones. En primer lugar, se centró únicamente en los factores de riesgo clínicos de cada paciente, dejando de lado otros aspectos del estilo de vida que pueden influir en la salud, como el tabaquismo y el consumo de alcohol.

Estos factores pueden tener un impacto significativo en el desarrollo de hiperlipidemia y, al no incluirlos, el modelo podría no reflejar completamente la realidad de cada persona. Además, no se implementaron ni adaptaron modelos de predicción basados en algoritmos de clasificación de aprendizaje automático, lo que podría haber mejorado la precisión del estudio.

La mayoría de los participantes en el estudio fueron hombres, lo que restringe la generalización de los resultados a las mujeres. Esto es importante, ya que las mujeres pueden tener diferentes factores de riesgo y respuestas al tratamiento.

Además, el modelo predictivo desarrollado no recibió validación externa, lo que significa que su eficacia y aplicabilidad en otros contextos o poblaciones no han sido confirmadas. Estas limitaciones sugieren que se necesita más investigación para mejorar y validar el modelo, asegurando que sea útil para una amplia gama de pacientes.

Conclusiones

Este estudio ofrece una clara demostración de que, en el campo del VIH, no basta con mantener bajo control la replicación viral: también es esencial anticipar y prevenir las complicaciones metabólicas que surgen con la edad y con los propios tratamientos. Un modelo como LightGBM, que combina variables inmunológicas, lipídicas y bioquímicas de manera inteligente, puede marcar la diferencia para detectar a tiempo a pacientes con VIH en riesgo de hiperlipidemia.

La propuesta ya se perfila como una herramienta de ayuda clínica que, al incorporarse en el flujo de trabajo de un hospital, podría:

1. Reducir la incidencia de eventos cardiovasculares (infartos, accidentes cerebrovasculares) en personas con el VIH.
2. Optimizar recursos sanitarios, al enfocar las intervenciones en quienes más las necesitan.
3. Mejorar la calidad de vida de las personas con VIH, evitando tratamientos farmacológicos innecesarios o detectando a tiempo a quienes requieren cambios en su esquema terapéutico.

En resumen, la combinación de medicina y tecnología (machine learning) abre un camino prometedor hacia una atención más preventiva, personalizada y, en última instancia, más eficaz para las personas con el VIH.

Fuente: AJMC/Elaboración propia (gTt-VIH).

Referencia: Ding Y, Li J, Gao C, et al. Machine learning algorithms to predict the risk of hyperlipidemia in people living with HIV after starting HAART for 6 months. AIDS. Published online May 21, 2025. doi: 10.1097/QAD.0000000000004244