📄 health informatics

Decoupling Accuracy and Explainability: Machine Learning Strategies for HbA1c Prediction and Biomarker Discovery in Blood FTIR Spectroscopy

Este estudio demuestra que la integración de la regresión de mínimos cuadrados parciales, las redes neuronales convolucionales y los enfoques de ajuste de curvas en los espectros de sangre por FTIR crea un marco sinérgico que logra simultáneamente una alta precisión en la predicción de los niveles de HbA1c y proporciona una interpretabilidad mecanística de los biomarcadores relacionados con la glicación para el monitoreo escalable de la diabetes.

Autores originales: Melnychenko, M., Makhnii, T., Midlovets, K., Dmyterchuk, B., Krasnienkov, D.

Publicado 2026-01-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Melnychenko, M., Makhnii, T., Midlovets, K., Dmyterchuk, B., Krasnienkov, D.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

La visión general: Escuchar la "canción" de la sangre

Imagina que tu sangre es una orquesta muy activa tocando una canción compleja. Cada instrumento (proteínas, grasas, azúcares) toca una nota específica. Cuando tienes diabetes, la sección de los "azúcares" de la orquesta empieza a tocar más fuerte y cambia ligeramente la melodía porque el azúcar se adhiere a tus glóbulos rojos (un proceso llamado glicación).

Tradicionalmente, los médicos comprueban esto llevando la sangre a un laboratorio y pasándola por una máquina lenta y costosa (como la HPLC) para contar exactamente cuántas "notas de azúcar" están pegadas a las células. Este artículo se pregunta: ¿Podemos simplemente escuchar la "canción" de la sangre usando un escáner de luz especial (FTIR) y usar una computadora para determinar los niveles de azúcar al instante?

Los investigadores intentaron responder a esto enseñando a tres tipos diferentes de "computadoras" a escuchar la canción de la sangre y a predecir los niveles de azúcar (HbA1c).

Las tres "computadoras" (Modelos)

El equipo no utilizó un solo método; probaron tres formas diferentes de interpretar los datos, como tres detectives diferentes resolviendo el mismo misterio.

1. El "Reconocedor de Patrones" (PLSR)

Cómo funciona: Este modelo observa la canción completa a la vez. No intenta identificar cada instrumento individual; en su lugar, busca el "vibrato" o la forma general de la onda sonora. Es como un crítico musical que dice: "Esta canción suena como un tema de jazz con mucho azúcar", basándose en la sensación general.
El resultado: Este fue el mejor detective. Logró las predicciones más precisas (alrededor del 76% de precisión). Fue excelente para ver el panorama general.

2. El "Aprendiz Profundo" (CNN)

Cómo funciona: Este es un tipo de Inteligencia Artificial que aprende por sí misma. Es como un pájaro bebé que escucha miles de canciones y, eventualmente, descubre las reglas de la música sin que nadie le enseñe los nombres de las notas. Busca patrones ocultos y complejos que un humano podría pasar por alto.
El resultado: Este fue el segundo mejor detective (alrededor del 73% de precisión). Funcionó casi tan bien como el Reconocedor de Patrones, demostrando que la computadora puede aprender las "reglas" de la canción de la sangre por su cuenta.

3. El "Microscopio" (Ajuste de Curvas)

Cómo funciona: Este método es lo opuesto a los otros. En lugar de mirar la canción completa, intenta aislar cada instrumento individual. Descompone la onda sonora en picos (notas) individuales y mide su altura y anchura. Es como un profesor de música diciendo: "El violín está tocando a 1030 Hz y la batería está a 1574 Hz".
El resultado: Fue el menos preciso al predecir el número final (alrededor del 59% de precisión). Sin embargo, fue el más honesto. Debido a que descompuso la canción nota por nota, los investigadores pudieron explicar realmente por qué la computadora hizo su suposición. Les dijo exactamente qué partes químicas de la sangre estaban cambiando.

El momento del "¡Ajá!": ¿Por qué usar los tres?

El principal descubrimiento del artículo es que estos tres métodos no deberían ser rivales; deberían ser un equipo.

El Reconocedor de Patrones (PLSR) y el Aprendiz Profundo (CNN) son excelentes para darte la respuesta correcta (el número de HbA1c), pero son un poco una "caja negra". Sabes la respuesta, pero no sabes exactamente por qué la computadora pensó eso.
El Microscopio (Ajuste de Curvas) no es tan bueno adivinando el número, pero actúa como el traductor. Te dice: "La computadora supuso un valor alto porque la 'nota de azúcar' a 1030 Hz se hizo más fuerte y la 'nota de proteína' a 1574 Hz se volvió más débil".

Al combinarlos, los investigadores obtuvieron lo mejor de ambos mundos: una predicción altamente precisa más una explicación clara de la biología detrás de ella.

¿Qué encontraron en la sangre?

Utilizando el "Microscopio" y una herramienta especial llamada SHAP (que actúa como un resaltador para mostrar qué notas son las más importantes), descubrieron que la canción de la sangre cambia de formas específicas cuando el azúcar se adhiere a las células sanguíneas:

Las Notas de Azúcar: Ciertas frecuencias (alrededor de 1011 y 1030) se hicieron más fuertes. Estos son los sonidos de las moléculas de azúcar adhiriéndose a las proteínas.
Los Cambios en las Proteínas: La forma de los "instrumentos" de proteína (hemoglobina) cambió. Algunas partes de la proteína se plegaron de forma diferente (como un avión de papel arrugado), lo que se mostró como cambios en las notas "Amida" (alrededor de 1574 y 1680).
La Conexión con la Grasa: También notaron cambios en las notas de la "grasa" (lípidos), lo que sugiere que cuando el control del azúcar es deficiente, el metabolismo de las grasas del cuerpo también se descontrola.

La conclusión fundamental

Este estudio demuestra que se puede utilizar un escaneo de luz rápido y sin reactivos (FTIR) para estimar los niveles de diabetes.

No elija solo una herramienta: Si solo usa el "Aprendiz Profundo", obtiene una buena suposición pero sin explicación. Si solo usa el "Microscopio", obtiene una gran explicación pero una suposición más débil.
La estrategia ganadora: Use una mezcla. Deje que los potentes modelos de IA hagan el trabajo pesado de la precisión, y use el ajuste de curvas detallado para comprender la biología.

Los autores concluyen que este enfoque de "multimodelo" es un paso prometedor hacia un futuro donde los médicos podrían escanear una gota de sangre con un dispositivo sencillo y obtener instantáneamente una lectura de diabetes que sea tanto precisa como científicamente explicable.

(Nota: El artículo establece explícicamente que esto es un "preprint" y aún no ha sido revisado por pares, por lo que estos resultados son actualmente una prueba de concepto en lugar de una herramienta médica lista para su uso).

Resumen Técnico: Desacoplamiento de la Precisión y la Explicabilidad en la Predicción de HbA1c mediante Espectroscopia FTIR

Planteamiento del Problema
La hemoglobina glicosilada (HbA1c) es el biomarcador estándar para el control glucémico a largo plazo y el manejo de la diabetes. La cuantificación clínica actual depende de métodos intensivos de laboratorio, como la cromatografía líquida de alta resolución (HPLC) y los inmunoensayos, que requieren reactivos, instrumentación y tiempo especializados, lo que limita su escalabilidad en entornos de bajos recursos. La espectroscopia de transformada de Fourier de infrarrojos (FTIR) ofrece una alternativa rápida y sin reactivos que captura las firmas moleculares de la glicación de las proteínas. Sin embargo, la traducción de los complejos y superpuestos espectros de FTIR en valores de HbA1c clínicamente interpretables sigue siendo un desafío. Los enfoques existentes suelen enfrentar un compromiso: los modelos estadísticos como la Regresión de Mínimos Cuadrados Parciales (PLSR) ofrecen poder predictivo pero carecen de interpretabilidad mecanística, mientras que los métodos de resolución de picos ofrecen información bioquímica pero pueden sufrir de una menor precisión predictiva. Existe la necesidad de un marco que equilibre una alta precisión predictiva con la explicabilidad bioquímica.

Metodología
El estudio utilizó un conjunto de datos de 673 muestras de sangre entera (derivadas de un inicial de 685 tras la eliminación de valores atípicos) recolectadas de participantes sanos, prediabéticos y diabéticos. Los valores de referencia de HbA1c se obtuvieron mediante cromatografía de líquidos de fase iónica de alta resolución. Los espectros FTIR se adquirieron utilizando un espectrómetro ATR-FTIR (Nicolet iS50) en el rango de 4000–400 cm⁻¹, con un enfoque específico en regiones biológicamente relevantes.

Los autores evaluaron tres estrategias distintas y sinérgicas de aprendizaje automático:

Regresión de Mínimos Cuadrados Parciales (PLSR): Entrenada en las regiones espectrales 800–1800 cm⁻¹ y 2800–3400 cm⁻¹. Los datos se preprocesaron mediante filtrado de Savitzky-Golay (primera derivada) y normalización de vectores. El modelo se optimizó mediante validación cruzada de 10 pliegues para determinar el número óptimo de componentes latentes (se seleccionaron nueve).
Red Neuronal Convolucional (CNN): Una arquitectura de CNN 1D adaptada de McHardy et al., entrenada en las mismas regiones espectrales que PLSR. El modelo utilizó dos unidades convolucionales secuenciales (64 filtros, tamaño de núcleo 5), seguidas de activación ReLU, normalización por lotes (batch normalization), max-pooling y capas densas totalmente conectadas. El entrenamiento empleó el optimizador Adam con pérdida de Error Cuadrático Medio (MSE).
Ajuste de Curvas con H2O AutoML: Centrado en la región de la "huella dactilar" (1000–1720 cm⁻¹). Los espectros fueron suavizados, con corrección de línea base (rubberband) y normalizados. La deconvolución de picos se realizó utilizando funciones pseudo-Voigt mediante el paquete JAXFit. Los parámetros de los picos resultantes (posición, área, altura, FWHM) sirvieron como características para los modelos de H2O AutoML.
Inteligencia Artificial Explicable (XAI): Se aplicaron valores SHAP (SHapley Additive exPlanations) a los modelos de H2O AutoML para cuantificar la magnitud y dirección de las contribuciones de las características, vinculando los picos espectrales con los mecanismos bioquímicos.

Resultados Clave

Desempeño Predictivo: El modelo PLSR logró la mayor precisión predictiva en el conjunto de prueba independiente ( $R^2 = 0.76$ , RMSE = 1.16, MAE = 0.89). El modelo CNN mostró un desempeño comparable ( $R^2 = 0.73$ , RMSE = 1.22, MAE = 0.94), lo que sugiere que las relaciones espectrales dominantes para la HbA1c en este conjunto de datos son mayoritariamente lineales, con efectos no lineales desempeñando un papel secundario. El enfoque de Ajuste de Curvas produjo un desempeño predictivo inferior ( $R^2 = 0.59$ , RMSE = 1.51, MAE = 1.11) pero proporcionó ajustes espectrales de alta calidad ( $R^2 > 0.9999$ ).
Interpretabilidad Bioquímica: El análisis SHAP identificó características espectrales específicas que impulsan las predicciones. Los principales contribuyentes incluyeron:
- Bandas de carbohidratos/glicación: 1011 cm⁻¹ y 1030 cm⁻¹ (estiramiento C–O/C–N), asociados con aductos derivados de la glucosa y glicación temprana.
- Estructura Secundaria de Proteínas: Regiones de Amida III (1302–1313 cm⁻¹) y regiones de Amida I/II (1574, 1678, 1687 cm⁻¹), que indican reordenamientos estructurales (por ejemplo, $\beta$ -giros, pérdida de $\alpha$ -hélice) en la hemoglobina y proteínas séricas.
- Interacciones Lípido/Carboxilato: Picos en 1366 cm⁻¹ y 1390–1402 cm⁻¹, vinculados a la composición lipídica y grupos carboxilato de aminoácidos (Asp/Glu).
Comparación de Modelos: Mientras que PLSR y CNN destacaron en generalización, el método de Ajuste de Curvas logró deconvolucionar exitosamente los espectros complejos para aislar picos sensibles a la glicación, validando la base bioquímica de las predicciones.

Significancia y Reivindicaciones
El artículo argumenta que tratar estos enfoques de modelado como alternativas competitivas es subóptimo. En su lugar, los autores proponen una estrategia de multimodelado complementaria.

Integración de Fortalezas: El estudio demuestra que integrar modelos predictivos (PLSR/CNN) con análisis mecanístico (Ajuste de Curvas) proporciona un marco más informativo que cualquier modelo por sí solo. PLSR y CNN capturan los patrones lineales y no lineales amplios necesarios para una predicción clínica robusta, mientras que el análisis de resolución de picos asegura la interpretabilidad bioquímica y la validación mecanística.
Potencial Clínico: Esta estrategia resalta una vía escalable y sin reactivos para la evaluación no invasiva de la HbA1c. Al combinar el desempeño predictivo con la explicabilidad, el enfoque respalda el uso de FTIR no solo como un sustituto para la HbA1c, sino como una plataforma de cribado versátil capaz de revelar un perfil bioquímico más amplio (lípidos, estructura de proteínas, ácidos nucleicos) a partir de una sola medición.
Limitaciones: Los autores reconocen modestamente las limitaciones, incluyendo las restricciones inherentes de la FTIR (absorción de agua, variaciones de la línea base), la dependencia de supuestos específicos de la forma de los picos en el ajuste de curvas, y la necesidad de conjuntos de datos más grandes y diversos para confirmar la generalizabilidad en diferentes poblaciones.

En conclusión, el estudio valida que un marco de múltiples modelos puede desacoplar el compromiso entre precisión y explicabilidad, ofreciendo un enfoque mecánicamente fundamentado para el monitoreo de la diabetes mediante espectroscopia FTIR.