Artificial Intelligence for Precision Allocation of Cardiometabolic Therapies in Diabetes and Metabolic Disease: From Risk Prediction to Treatment Response

Resumen Técnico: Inteligencia Artificial para la Asignación de Precisión de Terapias Cardiometabólicas

Planteamiento del Problema
El panorama terapéutico para la diabetes tipo 2, la obesidad, la enfermedad renal crónica (ERC) y la enfermedad de hígado graso asociado a disfunción metabólica (MASLD) ha pasado de un paradigma centrado en la glucosa a uno de modificación de riesgo multiorgánico. La expansión de terapias como los agonistas del receptor de GLP-1 (GLP-1RA), los inhibidores de SGLT2 (SGLT2i) y los agentes de doble incretina (por ejemplo, tirzepatida) ha creado un entorno de toma de decisiones complejo. Si bien estos fármacos ofrecen beneficios en la reducción de peso, la protección cardiorrenal y la reducción del riesgo hepático, los beneficios clínicos siguen siendo heterogéneos entre los pacientes. La medicina basada en la evidencia tradicional, que se apoya en los efectos promedio de los tratamientos derivados de ensayos aleatorizados, no logra abordar las variaciones individuales en el riesgo absoluto de eventos, la capacidad de respuesta metabólica, el beneficio específico de un órgano, la tolerabilidad y la preferencia del paciente. El desafío central es determinar no si una terapia funciona, sino qué paciente debe recibir qué terapia, cuándo y para cuál prioridad clínica dominante.

Marco Metodológico
El artículo propone un marco operativo estructurado para la asignación de precisión impulsada por IA, distinguiendo cuatro preguntas analíticas distintas que deben separarse antes de su integración:

1. Predicción de Riesgo: Identificar quién tiene probabilidades de desarrollar complicaciones bajo el cuidado habitual (riesgo no tratado).
2. Priorización del Tratamiento: Determinar quién requiere una intervención más temprana o intensiva debido a un alto riesgo no tratado.
3. Predicción de Resultados Post-Tratamiento: Estimar quién tiene probabilidades de lograr un resultado favorable tras la exposición a una terapia específica.
4. Estimación Causal del Efecto del Tratamiento: Estimar el efecto promedio condicional del tratamiento (CATE, por sus siglas en inglés)—la diferencia esperada en el resultado bajo una estrategia frente a otra para un paciente específico.

Los autores enfatizan que la asignación de precisión requiere vincular estas capas sin confundir el pronóstico con el beneficio específico del fármaco. El marco incluye un paso de "arbitraje de beneficios" que integra filtros de seguridad (contraindicaciones, umbrales orgánicos), beneficios causales esperados y daños competitivos (efectos adversos, costo, persistencia) utilizando una ponderación transparente y análisis de curvas de decisión.

Contribuciones Clave y Evidencia Actual
La revisión sintetiza la literatura actual (buscada desde enero de 2015 hasta mayo de 2026) a través de dominios clínicos, clasificando los estudios por madurez: prueba de concepto, validado externamente o listo para la clínica. Los autores señalan que ningún estudio revisado cumple con los criterios para el despliegue clínico sin una evaluación prospectiva adicional.

• Enriquecimiento de Riesgo y Priorización: Esta es la capa más madura. Modelos como OBSCORE (que utiliza el aumento de gradiente sobre datos de UK Biobank) estratifican los riesgos de complicaciones relacionadas con la obesidad, redefiniendo la elegibilidad para el tratamiento desde umbrales antropométricos hacia una priorización basada en el riesgo. Del mismo modo, Klinrisk y modelos de Januzzi et al. demuestran un alto rendimiento discriminativo en la predicción de resultados cardiorrenales en poblaciones con ERC, estableciendo una base de pronóstico para futuros modelos de efecto de tratamiento.
• Respuesta Glucémica y Selección de Tratamiento Activo: Estudios que utilizan datos del mundo real de registros electrónicos de salud (EHR) (por ejemplo, Zhu et al., Cardoso et al., Venkatasubramaniam et al.) han aplicado aprendizaje automático (LightGBM, bosques causales bayesianos) para predecir la reducción de la HbA1c y los efectos de tratamiento individualizados entre SGLT2i y GLP-1RA. Si bien estos modelos muestran potencial para predecir trayectorias glucémicas y diferencias causales en la HbA1c, los autores destacan una limitación crítica: sus estimandos objetivo son variables subrogadas (respuesta glucémica), no desenlaces duros de cardiovascular, renal o mortalidad.
• Estratificación del Beneficio Cardiovascular y Cardiorrenal: La aplicación más ambiciosa implica la estimación del beneficio cardiovascular heterogéneo. Morieri et al. integraron datos de los principales ensayos (LEADER, SUSTAIN-6) con registros del mundo real para identificar perfiles fenotípicos asociados con una reducción diferencial del riesgo absoluto de Eventos Adversos Cardiovasculares Mayores (MACE). Sin embargo, la transportabilidad de estas estimaciones derivadas de ensayos a poblaciones del mundo real permanece sin confirmarse.
• Planos de Trabajo Metodológicos: El artículo cita el trabajo en Insuficiencia Cardíaca con Fracción de Eyección Preservada (ICFEp) de Desai et al. y Kresoja et al. como el plano metodológico más cercano disponible. Estos estudios utilizaron bosques de supervivencia causales y fenotipado no supervisado para identificar subgrupos de respondedores, demostrando cómo se puede aplicar la inferencia causal rigurosa a fenotipos multimórbidos complejos, aunque aún no proporcionan evidencia específica para la asignación de SGLT2i/GLP-1RA.
• Dominios Emergentes: En MASLD/MASH y obesidad severa, el campo se encuentra en una etapa de pre-evidencia. Protocolos como SEMASEARCH están diseñados para la evaluación en el mundo real, pero actualmente carecen de datos de desenlace.

Resultos y Limitaciones
La revisión concluye que el campo se encuentra actualmente en una etapa de prueba de concepto y pre-implementación.

• Madurez: Las aplicaciones más maduras respaldan el enriquecimiento de riesgo y la predicción de respuesta intermedia (subrogada).
• Brechas: La asignación causal robusta para desenlaces duros (eventos cardiovasculares, insuficiencia renal, mortalidad) sigue siendo limitada. Existe una brecha significativa entre predecir respuestas subrogadas (reducción de HbA1c, pérdida de peso) y predecir el beneficio clínico en desenlaces duros.
• Barreras: Las barreras clave incluyen el sesgo de indicación en datos observacionales, la fragmentación de los datos de EHR, la ausencia de información (missingness) informativa y la falta de validación externa y calibración. Los modelos actuales a menudo fallan al abordar la transportabilidad a través de diversas ancestrías y grupos socioeconómicos.

Significancia y Reivindicaciones
El artículo sostiene que la asignación de precisión impulsada por IA es un marco de investigación defendible pero no es todavía una práctica clínica establecida.

• Distinción: Aclara que predecir una respuesta subrogada no es equivalente a predecir el beneficio clínico en desenlaces duros.
• Requisitos para el Despliegue: Los modelos futuros deben definir estimandos objetivo explícitos, reportar la calibración y utilidad clínica (mediante análisis de curvas de decisión), abordar la confusión y la transportabilidad, y someterse a pruebas prospectivas de impacto en la decisión.
• Implementación: La implementación exitosa requiere una infraestructura interoperable (por ejemplo, HL7 FHIR), flujos de trabajo supervisados por humanos (basados en la extracción de información en lugar de alertas interruptivas) y una responsabilidad médico-legal explícita donde la IA apoye en lugar de reemplazar el razonamiento clínico.
• Equidad: Los autores enfatizan que los modelos actuales entrenados en cohortes de ensayos seleccionadas o sistemas de salud específicos pueden no desempeñarse de manera equitativa en poblaciones diversas; la auditoría de equidad y el diseño participativo son prioridades de investigación.

En resumen, el artículo aboga por una transición cautelosa de modelos de predicción aislados hacia un marco estructurado y supervisado por humanos para la asignación terapéutica, enfatizando que la brecha entre la predicción de la respuesta subrogada y la predicción del beneficio clínico duro no debe oscurecerse al traducir los resultados de los modelos en decisiones clínicas.