Estimación de mortalidad en la enfermedad renal crónica basado en inteligencia artificial: sistema web de apoyo
Palabras clave:
enfermedad renal crónica; mortalidad; inteligencia artificial; modelos predictivos; aplicación webResumen
Introducción: Los modelos predictivos basados en inteligencia artificial para la predicción del riesgo de mortalidad en pacientes con enfermedad renal crónica en hemodiálisis son robustos. El impacto real mejoraría si se traducen en herramientas accesibles en tiempo real.
Objetivo: Desarrollar e implementar una aplicación web interactiva basada en inteligencia artificial para la predicción individualizada del riesgo de mortalidad en pacientes con enfermedad renal crónica en hemodiálisis.
Métodos: Se desarrolló un sistema de apoyo a la decisión clínica basado en una red neuronal artificial multicapa entrenada con datos clínicos de pacientes incidentes en hemodiálisis. Para su desarrollo se implementó TensorFlow y Keras en Python, el cual se entrenó con datos clínicos y se exportó a formato TensorFlow.js para su integración en la aplicación web desarrollada. Se realizó preprocesamiento de datos, estandarización de variables y validación cruzada con 10 particiones para evaluar el rendimiento del modelo.
Resultados: La aplicación web cuenta con un formulario interactivo donde el profesional de la salud puede ingresar datos clínicos relevantes del paciente. La herramienta mostró buena calibración y discriminación. Las métricas de la validación cruzada informaron una estimación sólida del rendimiento general del modelo. La aplicación permite generar predicciones en tiempo real y presenta una interfaz intuitiva y accesible.
Conclusiones: La herramienta demuestra un impacto potencial significativo en el entorno clínico para la estratificación del riesgo de pacientes en hemodiálisis. Ofrece una lista de recomendaciones personalizadas y basadas en datos para la toma de decisiones rutinarias.
Descargas
Citas
1. GBD Chronic Kidney Disease Collaboration. Global, regional, and national burden of chronic kidney disease, 1990-2017: a systematic analysis for the Global Burden of Disease Study 2017. [Internet]. 2020 [consultado 10 nov 2025];395(10225)709-33. Disponible en: https://doi.org/10.1016/S0140-6736(20)30045-3
2. Jarrar F, Pasternak M, Harrison T, James M, Quinn R, Lam N, et al. Mortality Risk Prediction Models for People With Kidney Failure A Systematic Review. JAMA Network Open. [Internet]. 2025 [consultado 10 nov 2025];8(1):e2453190. Disponible en: https://doi.org/10.1001/jamanetworkopen.2024.53190
3. Liu P, Sawhney S, Jorgensen U, Quinn R, Jensen S, Mclean A, et al. Predicting the risks of kidney failure and deaths in adults with moderate to severe chronic kidney disease: multinational, longitudinal, population based, cohort study. BMJ. [Internet]. 2024 [consultado 10 nov 2025];385(1):e078063. Disponible en: https://dx.doi.org/10.1136/bmj-2023-078063
4. Gorke A. Dialysis Outcomes and Practice Patterns Study (DOPPS). Dialyse aktuell. [Internet]. 2016 [consultado 10 nov 2025];20(6):274-5. Disponible en: https://doi.org/10.1055/s-0042-110411
5. Pisoni R, Gillespie B, Dickinson D, Chen K, Kutner M, Wolfe R. The Dialysis Outcomes and Practice Patterns Study (DOPPS): design, data elements, and methodology. American Journal of Kidney Disease. [Internet]. 2004 [consultado 10 nov 2025];44(5):7-15. Disponible en: https://doi.org/10.1053/j.ajkd.2004.08.005
6. Ye Z, An S, Gao Y, Xie E, Zhao X, Guo Z, et al. The prediction of in-hospital mortality in chronic kidney disease patients with coronary artery disease using machine learning models. European Journal of Medical Research. [Internet]. 2023 [consultado 10 nov 2025];28(1):33. Disponible en: https://doi.org/10.1186/s40001-023-00995-x
7. Kumar Y, Koul A, Singla R, Ijaz M. Artificial intelligence in disease diagnosis: a systematic literature review, synthesizing framework and future research agenda. Journal of ambient intelligence and humanized computing. [Internet]. 2023 [consultado 10 nov 2025];14(7):8459-6. Disponible en: https://doi.org/10.1007/s12652-021-03612-z
8. Díez-Sanmartín C, Sarasa Cabezuelo A, Belmonte AA. A new approach to predicting mortality in dialysis patients using sociodemographic features based on artificial intelligence. Artificial Intelligence in Medicine. [Internet]. 2023 [consultado 10 nov 2025];136(1):102478. Disponible en: https://doi.org/10.1016/j.artmed.2022.102478
9. Escalona-González SO, Caballero-Mota Y, Rodríguez-Alvarez Y, León-Acebo M, González-Milán ZC, Ricardo-Páez B, et al. Red neuronal artificial para la predicción de mortalidad de pacientes con enfermedad renal crónica. Revista Cubana de Medicina Militar. [Internet]. 2024 [consultado 10 nov 2025];53(3):e024038408. Disponible en: https://revmedmilitar.sld.cu/index.php/mil/article/view/38408
10. He M. Performance and accuracy of Python distributed neural network training frameworks: Spark vs. TensorFlow in big data modeling and prediction. Applied and Computational Engineering. [Internet]. 2024 [consultado 10 nov 2025];92:52-8. Disponible en: https://doi.org/10.54254/2755-2721/92/20241729
11. Usman A, Abdul R, Uzair S, Majid H, Samraiz Z. A Privacy-Preserving System for Skin Disease Using a Lightweight CNN and TensorFlow.js for Client-Side Inference. Advance Social Science Archive Journal. [Internet]. 2025 [consultado 10 nov 2025];4(2):1785-97. Disponible en: https://doi.org/10.5281/zenodo.17656620
12. Meta Platforms, Inc. React: A JavaScript library for building user interfaces [Internet]. [consultado 10 nov 2025]. Disponible en: https://react.dev/
13. Vite.js. Vite: Next generation fronted tooling [Internet]. [consultado 10 nov 2025]. Disponible en: https://vitejs.dev/
14. Chollet. Keras. GitHub repository [Internet]. 2015-2025 [consultado 10 nov 2025]. Disponible en: https://github.com/keras-team/keras
15. Addepali L, Lokhande G, Sakinam S, Hussain S, Mookerjee J, Vamsi U, et al. Assessing the performance of Python data visualization libraries: a review. International Journal of Computer Engineering in Research Trends. [Internet]. 2023 [consultado 10 nov 2025]; 10(1):28-39. Disponible en: https://doi.org/10.22363/ijcert/2023/v10/i01/v10i0104
16. Bichri H, Chergui A, Hain M. Investigating the impact of train/test split ratio on the performance of pre-trained models with custom datasets. International Journal of Advanced Computer Science and Applications. [Internet]. 2024 [consultado 10 nov 2025]; 15(2):331-9. Disponible en: https://doi.org/10.14569/ijacsa.2024.0150235
17. Sclocchi A, Wyart M. On the different regimes of stochastic gradient descent. Computer Sciences. [Internet]. 2024 [consultado 10 nov 2025];121(9):e2316301121. Disponible en: https://doi.org/10.1073/pnas.2316301121
18. Brochet T, Lapuyade-Lahorque J, Huat A, Thureau S, Pasquier D, Gardin I, et al. A quantitative comparison between Shannon and Tsallis-Havrda-Charvat entropies applied to cancer outcome prediction. Entropy. [Internet]. 2022 [consultado 10 nov 2025];24:436. Disponible en: https://doi.org/10.3390/e24040436
19. Formik. Build forms in React, without the tears [Internet]. Formik; c2017-2025 [consultado 10 nov 2025]. Disponible en: https://formik.org/
20. Yup. Dead simple object schema validation [Internet]. Yup; c2016-2025 [consultado 10 nov 2025]. Disponible en: https://github.com/jquense/yup
21. Tailwind Labs, Inc. Tailwind CSS: A utility-first CSS framework [Internet]. San Francisco (CA): Tailwind Labs, Inc.; c2029-2025 [consultado 10 nov 2025]. Disponible en: https://tailwindcss.com/
22. Collins GS, Dhiman P, Andaur Navarro CL, Ma J, Hooft L, Reitsma JB, et al. Protocol for development of a reporting guideline (TRIPOD-AI) and risk of bias tool (PROBAST-AI) for diagnostic and prognostic prediction model studies based on artificial intelligence. BMJ Open. [internet]. 2021 [consultado 10 nov 2025];11:e048008. Disponible en: https://doi.org/10.1136/bmjopen-2020-048008
23. Kidney Disease: Improving Global Outcomes (KDIGO) CKD Work Group. KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. Kidney Int. [internet]. 2024 [consultado 10 nov 2025];105(4S): S117-S314. Disponible en: https://doi.org/10.1016/j.kint.2023.10.018
24. Almási AD, Wozniak S, Cristea V, Leblebici Y, Engbersen T. Review of advances in neural networks: Neural design technology stack. Neurocomputing. [Internet]. 2016 [consultado 10 nov 2025];174(1):31-41. Disponible en: https://doi.org/10.1016/j.neucom.2015.02.092
25. Escalona González SO, González Milán ZC. Inteligencia artificial en la predicción de mortalidad por enfermedad renal crónica. An Acad Cienc Cuba. [Internet]. 2022 [consultado 10 nov 2025];12(3):e1292. Disponible en: http://www.revistaccuba.cu/index.php/revacc/article/view/1292
26. Díaz-Canel Bermúdez M. Gestión de gobierno basada en ciencia e innovación: avances y desafíos. An Acad Cienc Cuba. [Internet]. 2022 [consultado 10 nov 2025];12(2):e1235. Disponible en: http://www.revistaccuba.cu/index.php/revacc/article/view/1235
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Sergio Orlando Escalona González, Ernesto Leonard Escariz, Yailé Caballero Mota, Yanela Rodríguez Alvarez, Zoraida Caridad González Milán
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
La revista Anales de la Academia de Ciencias de Cuba protege los derechos de autor, y opera con una Licencia Creative Commons 4.0 (Licencia Creative Commons Reconocimiento-NoComerciall 4.0). Al publicar en ella los autores permiten copiar, reproducir, distribuir, comunicar públicamente su obra y generar obras derivadas, siempre y cuando se cite y reconozca al autor original. No permiten, sin embargo, utilizar la obra original con fines comerciales ni lucrativos.
Los autores autorizan la publicación de sus escritos conservando los derechos de autoría, y cediendo y transfiriendo a la revista todos los derechos protegidos por las leyes de propiedad intelectual que rigen en Cuba, que implican la edición para difundir la obra.
Los autores podrán establecer acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarla en un repositorio institucional o publicarla en un libro), con el reconocimiento de haber sido publicada primero en esta revista.
Para conocer más, véase https://creativecommons.org
