Cómo la IA podría anticipar enfermedades asociadas a la obesidad antes de los síntomas

La forma en que se evalúa el impacto de la obesidad en la salud podría estar cambiando. Un equipo internacional desarrolló OBSCORE, un modelo que permite estimar con mayor precisión qué personas tienen más probabilidades de desarrollar enfermedades asociadas, como diabetes tipo 2 o afecciones cardiovasculares.

El avance, impulsado por la University of London, propone una alternativa más detallada que el tradicional índice de masa corporal (IMC), uno de los indicadores más utilizados en la práctica clínica.

Durante décadas, el IMC fue la herramienta estándar para clasificar el peso corporal. Se calcula a partir de la relación entre el peso y la altura, y permite dividir a la población en categorías como bajo peso, normal, sobrepeso u obesidad.

Sin embargo, este indicador tiene una limitación clave: no distingue qué ocurre dentro del organismo. Dos personas con el mismo valor pueden tener perfiles de salud completamente distintos.

En ese punto aparece OBSCORE. Este modelo analiza 20 variables clínicas y bioquímicas —es decir, datos obtenidos de estudios de sangre, antecedentes médicos y características del funcionamiento del cuerpo— que suelen registrarse en consultas médicas habituales. A partir de esa información, construye una estimación más precisa del riesgo individual.

OBSCORE: integración de datos clínicos, metabólicos y de laboratorio

El desarrollo de OBSCORE se apoyó en el análisis de datos de 200.000 personas del UK Biobank, una de las bases de información médica más grandes del mundo. Los investigadores revisaron más de 2.000 variables distintas, que incluían desde resultados de laboratorio hasta hábitos de vida.

Para procesar esa enorme cantidad de información utilizaron técnicas de aprendizaje automático. Este tipo de herramientas informáticas permite detectar patrones complejos en grandes volúmenes de datos, algo que sería muy difícil de lograr con métodos tradicionales.

A partir de ese análisis, seleccionaron una combinación óptima de 20 factores que permiten predecir la probabilidad de desarrollar 18 complicaciones vinculadas a la obesidad.

El modelo fue validado además en otras cohortes independientes, como Genes & Health y EPIC-Norfolk, lo que refuerza la solidez de sus resultados. En términos simples, OBSCORE funciona como un sistema que “aprende” de datos reales para identificar qué combinaciones de variables se asocian con mayor riesgo en el futuro.

La profesora Claudia Langenberg, directora del Precision Healthcare University Research Institute en Queen Mary University of London, explicó que anticipar las consecuencias de la obesidad representa un desafío creciente para los sistemas de salud. Según señaló, este modelo permite detectar con mayor precisión quiénes podrían beneficiarse de controles más estrictos o intervenciones tempranas.

Ventajas predictivas frente a los métodos convencionales

Uno de los hallazgos centrales del estudio es que el IMC resulta insuficiente para predecir complicaciones. Aunque sigue siendo útil como medida general, no capta aspectos clave del funcionamiento del organismo.

Por ejemplo, no refleja cómo procesa el cuerpo los nutrientes, cómo están los niveles de glucosa o colesterol en sangre, ni qué antecedentes médicos tiene una persona. Estos factores, conocidos como variables metabólicas y clínicas, influyen de manera directa en el desarrollo de enfermedades.

La investigación mostró situaciones en las que personas con sobrepeso, según el IMC, tenían un riesgo elevado de complicaciones, mientras que otras con valores más altos presentaban menor probabilidad de enfermar. Esto evidencia que el peso por sí solo no alcanza para entender el estado de salud.

Por su parte, el doctor Kamil Demircan, integrante del equipo de investigación, destacó que analizar múltiples dimensiones permite detectar amenazas concretas antes de que aparezcan los primeros síntomas. En otras palabras, el modelo no solo describe una situación actual, sino que anticipa posibles problemas futuros.

Aplicaciones en la práctica médica y la salud pública

El potencial de OBSCORE no se limita al ámbito de la investigación. Su aplicación podría transformar la forma en que médicos y sistemas de salud abordan la obesidad.

Al contar con una estimación más precisa del riesgo, los profesionales pueden adaptar el seguimiento de cada paciente. Algunas personas podrían requerir controles más frecuentes o intervenciones preventivas más intensivas, mientras que otras podrían evitar tratamientos innecesarios.

Esto también tiene impacto en la gestión de recursos sanitarios. Identificar con mayor exactitud a quienes están en mayor riesgo permite priorizar la atención y diseñar estrategias más eficientes. En sistemas como el Servicio Nacional de Salud británico (NHS), este tipo de herramientas podría contribuir a mejorar tanto la calidad de la atención como el uso de los recursos disponibles.

Además, facilita el diseño de campañas de prevención más específicas. En lugar de aplicar medidas generales para toda la población, se pueden dirigir acciones hacia grupos con mayor probabilidad de desarrollar enfermedades.

Un desafío global con nuevas herramientas

La obesidad es uno de los principales problemas de salud a nivel mundial. Según datos citados por la University of London, más del 60% de la población adulta en países occidentales vive con sobrepeso u obesidad. Sin embargo, el impacto no es igual en todos los casos, lo que dificulta la implementación de políticas efectivas.

En este contexto, herramientas como OBSCORE ofrecen una nueva perspectiva. Al incorporar información detallada de cada persona, permiten avanzar hacia un enfoque más personalizado, donde las decisiones médicas se basan en datos concretos y no solo en medidas generales.

Los investigadores señalan que es necesario continuar con validaciones en diferentes poblaciones y contextos. Esto permitirá confirmar su utilidad en la práctica clínica habitual y asegurar que los resultados se mantengan en distintos entornos.