Construction of a Retinopathy of Prematurity Onset Prediction Model Using the Random Forest Machine Learning Algorithm

Cada año, miles de bebés nacidos de forma prematura enfrentan una amenaza silenciosa para su visión. Esta condición, conocida como retinopatía del prematuro, es un trastorno en el que los vasos sanguíneos en la parte posterior del ojo no se desarrollan correctamente. Debido a que estos lactantes nacen antes de que sus ojos estén completamente formados, la delicada red de vasos que eventualmente transportará sangre a la retina puede dejar de crecer o crecer de una manera caótica y dañina. Si no se controla, este crecimiento anormal puede desprender la retina de la parte posterior del ojo, provocando ceguera permanente. La ventana para prevenir esto es estrecha; los médicos deben identificar qué bebés están en riesgo y tratarlos antes de que el daño sea irreversible. Sin embargo, el sistema actual de revisar a cada bebé prematuro por esta condición es una pesada carga. La mayoría de estos lactantes nunca desarrollarán la enfermedad, pero deben someterse a exámenes oculares repetidos y, a menudo, estresantes que consumen recursos médicos y causan ansiedad en las familias. El desafío para los médicos es encontrar una forma de distinguir a los pocos que realmente necesitan intervención de los muchos que no la necesitan, sin perder ni un solo caso.

Para resolver este rompecabezas, investigadores en Guangxi, China, recurrieron a una herramienta poderosa del mundo de la informática: un algoritmo de aprendizaje automático llamado Bosque Aleatorio (Random Forest). En lugar de depender de una sola regla o una lista de verificación simple, este enfoque imita la forma en que un grupo de expertos podría debatir un diagnóstico, combinando muchas piezas diferentes de información para llegar a una conclusión más confiable. El equipo, liderado por Yong Yang y Minli Huang, se propuso construir y probar un modelo que pudiera predecir qué lactantes prematuros desarrollarían retinopatía del prematuro basándose en su historial médico. Recopilaron datos de 150 bebés que habían sido examinados en un hospital local entre enero y septiembre de 2024. Cada infante en este grupo había nacido de forma prematura, tenía un bajo peso al nacer u otras complicaciones de salud graves que lo ponían en riesgo. Los investigadores revisaron cuidadosamente las historias clínicas electrónicas de estos niños, buscando patrones en sus primeros días de vida que pudieran señalar problemas para sus ojos.

Los investigadores comenzaron con una larga lista de cuarenta y seis posibles señales de advertencia, que iban desde la salud de la madre durante el embarazo hasta los tratamientos específicos que el bebé recibió después del nacimiento. Introdujeron esta información en cinco modelos computacionales diferentes, cada uno diseñado para encontrar las pistas más importantes. El objetivo era encontrar los factores en los que todos los modelos coincidieran como críticos. Tras procesar los números, la computadora identificó nueve predictores clave que aparecieron consistentemente en los diferentes métodos. Estos incluían la edad gestacional del bebé y el peso al nacer, el uso de oxigenoterapia y la concentración específica de oxígeno administrada, y la presencia de condiciones como anemia, dificultad respiratoria y una infección intestinal grave conocida como enterocolitis necrotizante. La lista también incluía si el bebé fue concebido mediante fertilización in vitro y si se utilizaron antibióticos durante su estancia hospitalaria. Al centrarse en estos nueve detalles específicos, los investigadores redujeron la vasta cantidad de datos médicos a las señales más potentes.

Con estos nueve factores en mano, el equipo construyó su modelo de predicción y lo probó contra los datos del mundo real de los 150 bebés. Los resultados fueron prometedores. El modelo demostró ser altamente efectivo para identificar a los bebés que no tenían la enfermedad, señalando correctamente a casi todos ellos como de bajo riesgo. De hecho, el estudio confirmó que ninguno de los 135 lactantes prematuros que no desarrollaron ROP fue omitido por el modelo. También predijo con éxito la aparición de la condición en la mayoría de los casos en que ocurrió. La precisión de la computadora para distinguir entre ojos sanos y aquellos que desarrollan la enfermedad fue sólida, con una puntuación de rendimiento que indicaba que era una herramienta confiable. El estudio mostró que, al utilizar estos nueve indicadores médicos específicos, el modelo podía clasificar los datos con un alto grado de confianza, lo que sugiere que podría ayudar a los médicos a decidir qué bebés necesitan la atención más urgente y cuáles podrían no requerir un tamizaje tan frecuente e intensivo.

Los hallazgos ofrecen una nueva forma de ver la compleja biología del nacimiento prematuro. El estudio confirmó que los riesgos más significativos están ligados a la inmadurez del cuerpo del lactante y a las intervenciones necesarias para mantenerlos con vida. Por ejemplo, la necesidad de altas concentraciones de oxígeno, aunque vital para los pulmones, puede ser perjudicial para los vasos sanguíneos en desarrollo del ojo. Del mismo modo, las condiciones que causan inflamación o estrés en el cuerpo, como infecciones graves o dificultades respiratorias, parecen estar estrechamente vinculadas al desarrollo de problemas oculares. El modelo no solo adivinó; aprendió de los resultados reales de 150 pacientes, encontrando que los bebés que desarrollaron la condición eran generalmente más pequeños, nacieron antes y tenían historias médicas más graves que aquellos que no la desarrollaron. Esta conexión entre la lucha general del cuerpo por la supervivencia y la salud específica de los ojos proporciona una imagen más clara de quiénes son los más vulnerables.

Si bien el modelo mostró una gran promesa, los investigadores señalaron que no es un cristal de adivinación perfecto. En sus pruebas, el sistema fue extremadamente bueno para descartar la enfermedad en bebés sanos, identificando correctamente a los 135 infantes que no desarrollaron la condición. Sin embargo, el modelo enfrentó una limitación al predecir exactamente qué infantes diagnosticados con ROP no requerirían más seguimiento, ya que su sensibilidad para detectar el inicio específico en el grupo más pequeño de afectados fue menor. Esta es una distincción crucial en medicina; a menudo es más seguro pasar por alto algunos casos potenciales y tratarlos más tarde que dar falsas alarmas a muchas familias sanas. El estudio sugiere que esta herramienta podría utilizarse para ayudar a los médicos a priorizar sus esfuerzos de detección, asegurando que los infantes con mayor riesgo sean atendidos primero. No reemplaza la necesidad de un examen cuidadoso por parte de un médico, pero ofrece una forma basada en datos para organizar la atención y reducir el número de procedimientos innecesarios. Al centrarse en los nueve factores específicos identificados, los equipos médicos pueden comprender mejor la trayectoria de la salud de un lactante prematuro y tomar decisiones más informadas para proteger su visión.