Low-Cost Early Prediction of Retinopathy of Prematurity Using Arterial Blood Gas Analysis: A Retrospective Cohort Study

Para los bebés que nacen prematuros, el mundo llega demasiado pronto, y sus cuerpos aún están aprendiendo cómo funcionar fuera del útero. Entre los muchos desafíos que enfrentan estos frágiles lactantes, uno de los más amenazantes es una condición llamada retinopatía del prematuro. Esta es una enfermedad en la que los vasos sanguíneos en la parte posterior del ojo, la retina, no crecen adecuadamente. En lugar de formar una red saludable, pueden dejar de crecer o crecer de una forma caótica y desorganizada, lo que eventualmente puede conducir a la ceguera. Debido a que el ojo todavía se está desarrollando, el momento del tratamiento es crítico; los médicos deben encontrar el problema lo suficientemente temprano como para intervenir antes de que ocurra un daño permanente. Actualmente, la forma estándar de detectar esto es tomar una cámara y mirar directamente dentro del ojo del bebé. Aunque es efectivo, este proceso requiere equipos costosos y especialistas altamente capacitados, y a menudo significa revisar a muchos bebés sanos solo para encontrar a los pocos que realmente están en riesgo.

Los investigadores han sabido durante mucho tiempo que los mayores riesgos para esta enfermedad ocular son nacer muy temprano y tener un peso al nacer muy bajo. También saben que la cantidad de oxígeno que recibe un bebé juega un papel importante, ya que demasiado o muy poco puede dañar los vasos en desarrollo. Sin embargo, un nuevo estudio sugiere que los médicos podrían ser capaces de predecir qué bebés están en peligro mucho antes y de manera más sencilla, utilizando datos que ya recolectan todos los días. Al observar los resultados de los análisis de sangre de rutina que miden qué tan bien está respirando un bebé y cómo su sangre transporta oxígeno, un equipo de científicos ha construido un modelo computacional que puede señalar a los lactantes de alto riesgo sin necesidad de mirar dentro de sus ojos primero. Este enfoque podría ayudar a los hospitales, especialmente aquellos con menos recursos, a decidir qué bebés necesitan la atención más urgente.

El estudio, realizado por un equipo de médicos e investigadores en China, se centró en más de 500 lactantes prematuros nacidos entre 2022 y 2025. Estos bebés fueron tratados en unidades de cuidados intensivos neonatales en tres hospitales diferentes. En estas unidades, los médicos extraen rutinariamente pequeñas cantidades de sangre de los bebés para verificar sus niveles de gases en sangre arterial. Esta prueba indica cuánto oxígeno y dióxido de carbono hay en la sangre, qué tan ácida o básica es la sangre y qué tan bien está utilizando el cuerpo el oxígeno. Los investigadores recopilaron todos estos datos, junto con el peso al nacer de los bebés y cuántas semanas estuvieron en el útero antes de nacer. Luego utilizaron un tipo de aprendizaje computacional, donde un programa estudia patrones en los datos para realizar predicciones, para ver si estos resultados de los análisis de sangre podían indicarles qué bebés desarrollarían la enfermedad ocular.

El equipo probó diez algoritmos computacionales diferentes para ver cuál funcionaba mejor para detectar el riesgo. Encontraron que el modelo más exitoso dependía de una lista específica y manejable de diez piezas clave de información. Estas incluían la edad gestacional y el peso al nacer del bebé, además de nueve números específicos de las pruebas de gases en sangre realizadas durante las primeras seis semanas de vida. Estos números cubrían aspectos como la presión del dióxido de carbono en la sangre, los niveles de diferentes tipos de hemoglobina (la proteína en la sangre que transporta oxígeno) y marcadores de qué tan bien el cuerpo estaba manejando la energía y el estrés. Cuando la computadora fue entrenada con este conjunto específico de diez datos, se volvió notablemente buena para predecir el resultado. En el grupo inicial de bebés, el modelo logró un AUC de 0.95. También logró un AUC de 0.91 para identificar a los bebés sanos como de bajo riesgo, lo que significa que rara vez omitió un caso que requería atención.

Para asegurar que este resultado no fuera solo un golpe de suerte con un grupo de pacientes, los investigadores probaron su modelo en otros dos grupos de bebés de diferentes hospitales. El modelo se mantuvo bien en estos nuevos entornos. En un grupo, logró un AUC de 0.83, y en el otro, un AUC de 0.91. El estudio mostró que añadir más y más variables al modelo computacional no lo hacía mejor; de hecho, el modelo más simple con solo los diez datos más importantes fue el que mejor funcionó. Esto sugiere que los análisis de sangre de rutina que ya se realizan en los hospitales contienen una señal oculta sobre la salud de los ojos del bebé que ha sido pasada por alto. Los investigadores señalaron que el modelo era particularmente bueno para descartar a los bebés que estaban seguros, lo cual es una característica crucial para una herramienta de detección. Si un bebé es marcado como de bajo riesgo por este modelo, los médicos pueden estar seguros de que es poco probable que desarrolle la forma grave de la enfermedad.

El estudio también aclaró qué es esta herramienta y qué no es. Los investigadores enfatizan que este es un sistema de predicción de riesgo, no un reemplazo para el examen ocular real. Un bebé marcado como de alto riesgo por el modelo no recibiría tratamiento automáticamente; en cambio, el resultado le indicaría a los médicos que miren los ojos de ese bebé de forma más temprana y frecuente. Esta podría ser una diferencia vital para los hospitales que no cuentan con un oftalmólogo especialista disponible todos los días. Al utilizar los datos de gases en sangre que ya están presentes, estos hospitales podrían priorizar sus limitados recursos de detección para los lactantes que más lo necesitan. El modelo también funcionó para bebés nacidos en una etapa ligeramente más avanzada que muchas otras herramientas existentes, que a menudo solo se aplican a los más diminutos o prematuros. Esto significa que el enfoque podría ayudar a una gama más amplia de bebés, incluyendo a aquellos que nacen un poco más maduros pero que siguen estando en riesgo.

Los hallazgos apuntan a una conexión más profunda entre cómo el cuerpo de un bebé maneja el oxígeno y el desarrollo de sus ojos. Los análisis de sangre revelaron que los bebés que desarrollaron la enfermedad ocular tenían diferencias sutiles en cómo su sangre transportaba el oxígeno y cómo sus cuerpos reaccionaban al estrés. Por ejemplo, los niveles de ciertos tipos de hemoglobina y el equilibrio de ácidos en la sangre eran diferentes en el grupo en riesgo. Estas diferencias sugieren que la lucha del cuerpo por gestionar el oxígeno y la energía en las primeras semanas de vida está vinculada a los problemas que aparecen más tarde en la retina. Al capturar estos patrones, el modelo computacional traduce señales biológicas complejas en una puntuación de riesgo sencilla.

Aunque los resultados son prometedores, los investigadores tienen cuidado en señalar que este es un estudio retrospectivo, lo que significa que analizaron datos que ya habían sido recolectados. El siguiente paso, que ya están planeando, es probar este modelo en tiempo real mientras los bebés están siendo tratados. Tienen la intención de poner la herramienta a disposición de otros médicos e investigadores para que pueda ser validada en diferentes partes del mundo. Si las pruebas futuras confirman estos resultados, este método de bajo costo podría convertirse en una parte estándar del cuidado de los bebés prematuros, ayudando a prevenir la ceguera al asegurar que los bebés correctos reciban los exámenes oculares adecuados en el momento adecuado. El trabajo demuestra que, a veces, las herramientas más poderosas para salvar la vista no son máquinas nuevas, sino una forma más inteligente de mirar los datos que ya tenemos.