Medicina de precisión e IA: futuras estrategias de tratamiento y diagnóstico de MASLD
Palabras clave:
medicina de precisión, inteligencia artificial, diabetesResumen
La inteligencia artificial (IA) ha transformado el diagnóstico y el manejo de la enfermedad por hígado graso asociada a disfunción metabólica (MASLD). Los modelos de machine learning integran datos clínicos, biomarcadores bioquímicos e imágenes para detectar y estratificar la enfermedad de forma no invasiva, con algoritmos que alcanzan AUC de hasta 0.91 para fibrosis avanzada3.
La medicina de precisión incorpora datos multiómicos -genómica, lipidómica, transcriptómica, proteómica- para identificar biomarcadores de riesgo mecanístico temprano y diseñar intervenciones personalizadas1,2. La IA también permite mapear la interconexión sistémica entre MASLD, resistencia a la insulina y diabetes tipo 2, mejorando la estratificación del riesgo cardiovascular y renal4.
El uso de métodos explicables como SHapley Additive exPlanations (SHAP) aumenta la confianza clínica en estos modelos1. Los principales desafíos incluyen la alta dimensionalidad de los datos, la heterogeneidad de cohortes y la necesidad de validación externa en poblaciones diversas para garantizar generalización2,3. La transición hacia modelos de inferencia causal y la integración del monitoreo dinámico en algoritmos de apoyo a la decisión clínica representan las perspectivas más prometedoras1,2.
Citas
I. Yang F, Sun X, Jiang K, Zhang M, Sun C. Recent advances in the application of machine learning models in metabolic dysfunction-associated steatotic liver disease. Diabetes Metab Res Rev. 2026 Mar. doi: 10.1002/dmrr.70129
II. Hernández-Almonacid PG, Marín-Quintero X. Artificial intelligence in metabolic dysfunction-associated steatotic liver disease: transforming diagnosis and therapeutic approaches. World J Gastroenterol. 2026;32(2):111737. doi: 10.3748/wjg.v32.i2.111737
III. Chen R, Petrazzini BO, Nadkarni GO, Rocheleau G, Bansal M, Do R. Machine learning enables single-score assessment of MASLD presence and severity. medRxiv. 2023 Oct. doi: 10.1101/2023.10.24.23297423
IV. Nabrdalik K, Kwiendacz H, Irlik K. Machine learning identifies metabolic dysfunctionassociated steatotic liver disease in patients with diabetes mellitus. J Clin Endocrinol Metab. 2024;109(8):2029. doi: 10.1210/clinem/dgae060
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 a nombre de los autores. Derechos de reproducción: Sociedad Argentina de Diabetes
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Dirección Nacional de Derecho de Autor, Exp. N° 5.333.129. Instituto Nacional de la Propiedad Industrial, Marca «Revista de la Sociedad Argentina de Diabetes - Asociación Civil» N° de concesión 2.605.405 y N° de disposición 1.404/13.
La Revista de la SAD está licenciada bajo Licencia Creative Commons Atribución – No Comercial – Sin Obra Derivada 4.0 Internacional.
Por otra parte, la Revista SAD permite que los autores mantengan los derechos de autor sin restricciones.
