La manera en que se evalúa el impacto de la obesidad en la salud está experimentando cambios significativos gracias a avances en inteligencia artificial. Un equipo de investigadores de diversos países ha desarrollado un modelo denominado OBSCORE, que permite estimar con mayor precisión qué individuos están en riesgo de desarrollar enfermedades asociadas a la obesidad, como la diabetes tipo 2 y problemas cardiovasculares. Este desarrollo podría transformar la forma en que los profesionales de la salud abordan el tratamiento y la prevención de estas condiciones.
Tradicionalmente, el índice de masa corporal (IMC) ha sido la herramienta estándar para clasificar el peso corporal y evaluar el riesgo de enfermedades relacionadas con la obesidad. Este índice, que se calcula dividiendo el peso en kilogramos por la altura en metros al cuadrado, ha permitido categorizar a la población en grupos como bajo peso, normal, sobrepeso y obesidad. Sin embargo, el IMC presenta una limitación fundamental: no toma en cuenta la composición corporal ni el estado de salud interno de las personas.
Esta es precisamente la brecha que busca llenar OBSCORE. A diferencia del IMC, este modelo analiza un conjunto de 20 variables clínicas y bioquímicas, que incluye datos obtenidos de análisis de sangre, antecedentes médicos y características fisiológicas. De esta forma, OBSCORE puede construir un perfil de riesgo más detallado y individualizado, lo que resulta esencial para una intervención médica más efectiva.
El desarrollo de este innovador modelo se respaldó en el análisis de datos provenientes de 200.000 individuos del UK Biobank, una de las bases de datos médicas más extensas del mundo. Los investigadores examinaron más de 2.000 variables diferentes, que abarcan desde resultados de laboratorio hasta hábitos de vida, lo que les permitió tener una visión amplia y profunda sobre los factores que pueden influir en el riesgo de enfermedades asociadas a la obesidad.
Para procesar esta vasta cantidad de información, se emplearon técnicas avanzadas de aprendizaje automático, que permiten identificar patrones complejos en grandes conjuntos de datos. Esto facilita la detección de combinaciones específicas de variables que se correlacionan con un mayor riesgo de desarrollar complicaciones relacionadas con la obesidad. Como resultado, se logró identificar una combinación óptima de 20 factores predictores de hasta 18 complicaciones diferentes.
Además, el modelo OBSCORE fue validado en otras cohortes independientes como Genes & Health y EPIC-Norfolk, lo que proporciona una mayor confianza en la fiabilidad de sus resultados. La profesora Claudia Langenberg, quien dirige el Precision Healthcare University Research Institute en la Queen Mary University of London, subrayó que la anticipación de las consecuencias de la obesidad es un desafío creciente para los sistemas de salud. Según Langenberg, este modelo permite identificar a quienes podrían beneficiarse de controles más estrictos o intervenciones más tempranas.
Uno de los hallazgos más importantes de esta investigación es que el IMC es insuficiente para predecir complicaciones relacionadas con la obesidad. Aunque el IMC sigue siendo una herramienta útil para una evaluación general, no logra captar aspectos cruciales del funcionamiento del organismo. Por ejemplo, no considera cómo diferentes personas metabolizan los nutrientes o cómo sus cuerpos responden a la dieta y el ejercicio, lo que puede influir en su salud a largo plazo. Por lo tanto, el desarrollo de herramientas como OBSCORE representa un avance significativo hacia una medicina más personalizada y efectiva en la lucha contra la obesidad y sus complicaciones asociadas.
