Inteligencia artificial para predecir el éxito de la cirugía bariátrica

La obesidad es una enfermedad crónica y multifactorial en aumento global, asociada con diabetes tipo 2, enfermedades cardiovasculares y ciertos cánceres. La cirugía bariátrica es el tratamiento más eficaz para la obesidad grave, pero los resultados varían ampliamente entre individuos. En este contexto, la inteligencia artificial (IA) y el aprendizaje automático (ML) se han vuelto herramientas prometedoras para predecir pérdida de peso y remisión de comorbilidades. Este estudio evalúa si es posible anticipar el éxito de la cirugía de manga gástrica utilizando únicamente variables clínicas, bioquímicas y psicológicas previas a la operación.

Se analizaron datos de 94 pacientes con obesidad mórbida operados entre 2013 y 2018 en Valladolid, con seguimiento a 12 meses. Se trabajó con 95 variables preoperatorias, que fueron limpiadas, transformadas, imputadas y codificadas según su naturaleza. Se equilibraron las clases de éxito mediante SMOTE y se aplicó selección de características con Random Forest para identificar las variables más relevantes. Se entrenaron seis modelos predictivos (RF, SVM, MLP, XGBoost, DT y LR), usando validación cruzada de 10 pliegues y métricas de exactitud, recall, precisión, F1 y AUC-ROC para evaluar su desempeño.

El modelo SVM fue el más preciso, con 88% de exactitud y AUC de 0,76. También logró el mejor balance entre clasificación de éxitos y fracasos. Las variables predictoras más importantes fueron potasio, ácido fólico, fosfatasa alcalina, estatura, transferrina, peso corporal preoperatorio, IMC, triglicéridos, insulina y puntuación del Inventario de Depresión de Beck. El análisis mostró que los pacientes con mejores resultados presentaban mayor peso inicial y triglicéridos más bajos, mientras que la presencia de diabetes fue menos frecuente en el grupo exitoso.

Los modelos de aprendizaje automático pueden predecir con alta precisión la pérdida de peso a 12 meses después de la gastrectomía en manga usando solo datos preoperatorios. El SVM mostró el mejor rendimiento, y las variables clave abarcan estado nutricional, metabolismo hepático, factores psicológicos y marcadores metabólicos. Estos resultados abren la oportunidad de integrar herramientas predictivas en la evaluación prequirúrgica, optimizar la selección de pacientes y mejorar la toma de decisiones clínicas. Futuras líneas de investigación incluyen modelos explicables, predicción de remisión de comorbilidades y desarrollo de calculadoras clínicas basadas en IA.