La ocurrencia de una fractura osteoporótica mayor (FOM) conlleva una pérdida de calidad de vida y un mayor riesgo de mortalidad. Diversas herramientas permiten evaluar el riesgo de FOM, y los avances en inteligencia artificial (IA) podrían contribuir a mejorarlas. En este sentido, los algoritmos de potenciación de gradiente (gradient boosting) permiten el modelado de datos no lineal, lo que resulta conveniente para analizar datos complejos como los de los registros médicos.
Investigadores daneses se propusieron mejorar un modelo de predicción del riesgo de FOM a un año —el Fracture Risk Evaluation Model (FREM)— con la integración de un algoritmo de aprendizaje automático (AA) de potenciación de gradiente. Denominado FREMML, el modelo resultante se entrenó y validó con información de registro de casi 2,5 millones de ciudadanos daneses de 45 años o más entre 2007 y 2021, incluyendo datos sobre diagnósticos, prescripciones, polifarmacia y multimorbilidad, entre otros. Los pacientes con diagnóstico de osteoporosis o que habían recibido tratamiento antiosteoporótico fueron excluidos.
FREMML también incorpora estrategias de IA explicable para facilitar su interpretación
Según los resultados publicados en Archives of Osteoporosis, en el año índice (2022) el 1,3% de las mujeres sufrieron una FOM, que en el 23,1% de los casos fue una fractura de cadera. El 0,6% de los hombres sufrió una FOM en el mismo período, con un 34,2% de fracturas de cadera.
FREMML mostró un área bajo la curva de 0,77 a la hora de predecir el riesgo inminente de FOM, mejorando las versiones anteriores del modelo sin AA. En la cohorte de testeo el modelo mejorado consiguió una sensibilidad del 69,2% y una especificidad del 71,1%. El análisis de subgrupos en función de la edad y el sexo confirmó que una edad avanzada y ser mujer eran los predictores más robustos para estimar la probabilidad de sufrir una FOM. De hecho, el modelo tuvo un menor rendimiento en hombres.
Los autores consideran que el algoritmo de AA de potenciación de gradiente podría estar reconociendo patrones no lineales presentes en los datos poblacionales que también sirvieron para desarrollar el FREM sin IA. Además, FREMML incorpora estrategias de IA explicable para facilitar su interpretación, por lo que podría servir para desarrollar una herramienta de apoyo a la toma de decisiones de utilidad en atención primaria.
Referencia
Rietz M, Brønd JC, Möller S, Søndergaard J, Abrahamsen B, Rubin KH. Introducing FREM
ML: a decision-support approach for automated identification of individuals at high imminent fracture risk.
Arch Osteoporos. 2025;20(1):140. Published 2025 Nov 5.
doi:10.1007/s11657-025-01613-5
SC-ES-AMG162-00086
Aceptar y salir
