Predicting malnutrition in colorectal cancer: a systematic review of risk prediction models

El cáncer colorrectal, una enfermedad que afecta al intestino grueso y al recto, sigue siendo uno de los desafíos de salud más comunes y graves en todo el mundo. Para los pacientes que atraviesan esta enfermedad, un compañero oculto pero crítico suele emerger: la desnutrición. Esta condición no se trata simplemente de tener un peso bajo; es un estado complejo en el que el cuerpo carece de los nutrientes esenciales necesarios para reparar tejidos, combatir infecciones y tolerar los rigores del tratamiento. Cuando un paciente con cáncer colorrectal cae en desnutrición, las consecuencias son graves. Se enfrentan a mayores riesgos de infección tras la cirugía, estancias hospitalarias más largas y una menor capacidad para soportar la quimioterapia. Debido a esto, los equipos médicos, particularmente los enfermeros, quienes suelen ser los primeros en notar el declive de un paciente, necesitan una forma fiable de detectar a aquellos en riesgo antes de que sea demasiado tarde. El objetivo es identificar a los vulnerables de forma temprana, para que la ayuda pueda brindarse antes de que las reservas del cuerpo se agoten.

Durante años, los investigadores han intentado construir herramientas matemáticas para predecir qué pacientes caerán en este estado peligroso. Estas herramientas, conocidas como modelos de predicción, son como listas de verificación que ponderan diversos factores —como la edad, el tamaño del tumor, los resultados de análisis de sangre y la fuerza física— para calcular una puntuación de riesgo. La esperanza ha sido que un enfermero pudiera utilizar tal herramienta para señalar instantáneamente a un paciente que necesita apoyo nutricional inmediato. Sin embargo, el panorama de estas herramientas ha sido desordenado. Algunos modelos predecían cosas diferentes, como tasas de supervivencia o marcadores sanguíneos específicos, en lugar del estado de desnutrición propiamente dicho. Otros utilizaban diferentes definiciones de lo que se considera "desnutrición", lo que hacía imposible compararlos de manera justa. Para cortar con esta confusión, un equipo de investigadores de universidades y hospitales de China y Estados Unidos se propuso reunir todos los estudios disponibles sobre este tema y examinarlos con ojo crítico.

Los investigadores realizaron una búsqueda exhaustiva, revisando ocho de las principales bases de datos científicas para buscar estudios publicados hasta el 1 de mayo de 2026. Lanzaron una red amplia, buscando cualquier estudio que construyera un modelo para predecir la desnutrición o el riesgo nutricional específicamente en adultos con cáncer colorrectal. Fueron estrictos con lo que incluían: los modelos debían centrarse en la realidad clínica de la desnutrición, definida por estándares médicos reconocidos, en lugar de limitarse a un solo análisis de sangre o a una suposición sobre cuánto tiempo podría vivir un paciente. Tras filtrar miles de registros y eliminar duplicados o artículos irrelevantes, encontraron trece estudios que cumplían sus criterios. Estos estudios involucraron a un total de miles de pacientes, que iban desde recién diagnosticados hasta personas en recuperación de una cirugía o bajo quimioterapia.

Cuando el equipo analizó estos trece modelos, descubrieron que, sobre el papel, parecían bastante prometedores. Los modelos eran capaces de distinguir entre pacientes en riesgo y aquellos que no lo estaban con un alto grado de precisión. En el lenguaje de la estadística, su capacidad para separar ambos grupos oscilaba entre buena y excelente. Los investigadores señalaron que algunos modelos identificaron correctamente a los pacientes en riesgo con un AUC de 0,88, mientras que otros fueron incluso más precisos en sus pruebas iniciales. Las herramientas utilizaban diversos métodos para realizar estas predicciones, desde ecuaciones sencillas hasta algoritmos informáticos más complejos. Se basaban en pistas comunes, tales como la edad del paciente, su índice de masa corporal, la etapa de su cáncer, sus niveles de hemoglobina y su capacidad para realizar actividades diarias. Algunos modelos también consideraron puntuaciones específicas de cribado nutricional o factores como los ingresos y la ingesta de proteínas.

Sin embargo, la historia da un giro cuando los investigadores profundizaron en cómo se construyeron y probaron estos modelos. A pesar de las impresionantes cifras superficiales, el equipo encontró que cada uno de los trece modelos sufría de fallos significativos en su diseño y reporte. El problema principal era que los modelos no habían sido probados en grupos de personas nuevos y diferentes. La mayoría fueron construidos y probados en el mismo grupo de pacientes, algo parecido a un estudiante que toma un examen de práctica y luego toma el mismo examen de inmediato. Este enfoque suele conducir a una visión excesivamente optimista de qué tan bien funciona la herramienta. Los investigadores encontraron que los estudios a menudo no explicaban cómo manejaban los datos faltantes, cómo elegían qué factores incluir o si el modelo era propeno al sobreajuste (overfitting), un término técnico que se refiere a memorizar los detalles específicos de los datos de entrenamiento en lugar de aprender las reglas generales. Debido a estos problemas, el equipo concluyó que los modelos aún no están listos para ser utilizados en hospitales del mundo real para tomar decisiones sobre la atención al paciente.

La revisión también destacó una falta de diversidad en la investigación. Casi todos los estudios se realizaron en China, con solo uno en los Estados Unidos. Esto significa que las herramientas fueron construidas utilizando datos de poblaciones específicas con hábitos dietéticos, sistemas de salud y antecedentes genéticos particulares. Un modelo que funciona bien en una región podría no funcionar en absoluto en otra. Además, las definiciones de desnutrición variaban ligeramente entre los estudios; algunos utilizaban un conjunto de criterios y otros un conjunto diferente. Aunque los investigadores lograron estrechar el enfoque hacia la desnutrición clínicamente definida, esta variación seguía dificultando la combinación de los resultados en una imagen única y unificada. El equipo señaló que, si bien se estaban utilizando el aprendizaje automático (machine learning) y la inteligencia artificial en algunos de los modelos más nuevos, estas técnicas avanzadas no solucionaban los problemas fundamentales de un mal diseño de estudio o la falta de pruebas externas.

El mensaje final de esta revisión es de un optimismo cauteloso mezclado con un llamado al rigor. Los modelos existentes demuestran que es posible predecir el riesgo nutricional en pacientes con cáncer colorrectal, y los resultados iniciales son alentadores. Sin embargo, el camino hacia una herramienta que un enfermero pueda usar con confianza a la cabecera de un paciente aún no se ha completado. Los investigadores enfatizan que estos modelos deben verse como ideas preliminares en lugar de productos terminados. Antes de que puedan ser confiables para guiar decisiones clínicas, deben ser probados en grupos de pacientes grandes y diversos, en diferentes hospitales y países. Los estudios futuros deben diseñarse con mayor cuidado, asegurando que los modelos sean probados en personas nuevas para demostrar que funcionan en el mundo real. Hasta que eso suceda, el mejor enfoque sigue siendo que los equipos de atención médica utilicen su juicio profesional y los métodos de cribado establecidos, teniendo en cuenta estas nuevas herramientas como apoyos potenciales para el futuro en lugar de soluciones inmediatas. El trabajo está lejos de terminar, pero esta revisión sistemática ha proporcionado un mapa claro de dónde se encuentra el campo y qué pasos deben tomarse a continuación para convertir estos cálculos prometedores en atención que salve vidas.