CARLOS JIMÉNEZ NÚÑEZ

La obesidad es un problema de salud a nivel mundial, que sigue creciendo y afecta tanto a adultos como a niños en todo el mundo. Este trastorno está relacionado con enfermedades graves como diabetes mellitus, aumento del riesgo cardiovascular y algunos tipos de cáncer. En este contexto, la inteligencia artificial se ha convertido en una herramienta útil para enfrentarse a los desafíos que produce la obesidad, ya que permite el análisis de datos de manera más profunda y detallada, descubriendo patrones y relaciones que antes no eran evidentes, y facilitando una medicina de precisión en estos pacientes. En el presente trabajo se realiza una revisión narrativa para analizar cómo se han aplicado las técnicas de Machine Learning y Deep Learning en la investigación sobre la obesidad con el fin de sintetizar las principales contribuciones que la inteligencia artificial ha ofrecido en este campo. La mayoría de los estudios, un total de 61, se centraron en la predicción de factores de riesgo de obesidad, mientras que hubo menos estudios sobre tratamiento y prevención, con nueve en cada área. Los estudios utilizaron dos enfoques principales del Machine Learning: técnicas clásicas y métodos de ensamblado. La técnica Support Vector Machines fue la más usada en clasificación y predicción, mientras que Regression (regresión logística) y Least Absolute Shrinkage and Selection Operator ayudaron a identificar las variables más importantes. Los métodos Random Forest y Extreme Gradient Boosting fueron los más utilizados en el análisis de datos complejos sobre obesi-dad. En Deep Learning, las Convolutional Neural Networks y las Recurrent Neural Networks fueron las más comunes, efectivas en el análisis de datos complejos como imágenes y secuencias temporales, mejorando el diagnóstico y la personalización de tratamientos. Además, la herramienta de inteligencia artificial explicable Shapley Additive Explanations fue la más usada para mejorar la interpretación de los modelos, clave en salud. La revisión identificó aportaciones en cuatro áreas principales: predicción de riesgos, personalización de tratamientos, diagnóstico temprano y análisis de factores biológicos relacionados con la obesidad. Los modelos permitieron identificar a niños en riesgo, estimar el índice de masa corporal (IMC) a partir de fotografías, anticipar la respuesta de los pacientes a distintos tratamientos, prever condiciones como la resistencia a la insulina, y estudiar determinantes biológicos como el microbioma. También ayudan a personalizar tratamientos, como la cirugía bariátrica, al anticipar la pérdida de peso potencial en cada paciente según sus características específicas. Sin duda, todas las herramientas que permite utilizar la inteligencia artificial con los pacientes mejorarán el conocimiento en los pacientes con obesidad, abriendo nuevas posibilidades diagnósticas y terapéuticas.

El equilibrio hidroelectrolítico es un punto crítico en el manejo del paciente hospitalizado: cubrir los requerimientos hidroelectrolíticos tiene un papel fundamental en el pronóstico a corto y a largo plazo. En las situaciones patológicas se debe tener en cuenta el equilibrio entre aportes y pérdidas hidroelectrolíticas, así como el equilibrio interno entre los compartimentos intracelulares y extracelulares. No existe un protocolo general exacto de fluidoterapia intravenosa para cada cuadro clínico. Las pautas de fluidos deben ser ajustadas a cada caso, utilizándolas solo si su situación lo requiere. En caso de ser esta necesaria, es importante estimar por cuánto tiempo y qué tipo de solución intravenosa emplear, así como el objetivo con el que se emplea: para mantenimiento o para la sustitución de pérdidas patológicas, como vía de administración de medicamentos, para la reanimación, etc. Es importante ajustar el aporte, especialmente en situaciones de insuficiencia orgánica (insuficiencia cardíaca, insuficiencia renal aguda, insuficiencia hepática), así como realizar balance diario de líquidos, ajustando según el aporte y la pérdida. El empleo de fluidoterapia requiere su correspondiente monitorización y seguimiento tanto con signos clínicos como analíticos.

La ausencia de hidratación en el paciente hospitalizado cuando esta es necesaria es perjudicial, ya que causa disminución de la perfusión tisular, fallo renal prerrenal y alteraciones de la coagulación. Sin embargo, la fluidoterapia excesiva también supone riesgos, produciéndose yatrogenia por su mal uso, como la hiponatremia, la sobrexpansión del espacio intersticial, o la acidosis hiperclorémica en el uso de suero salino fisiológico. En pacientes con fluidoterapia, la ingesta oral debería comenzar lo antes posible siempre que la patología y la situación clínica del paciente lo permitan. Como conclusión, tanto el exceso como el defecto de la hidratación tienen impacto pronóstico en el paciente hospitalizado. La sueroterapia durante tiempo prolongado puede empeorar los resultados clínicos de los pacientes, no estando exenta de riesgos, por lo que se debe valorar su estricta necesidad de manera periódica.