Con los resultados de una prueba de orina de 24 horas, el modelo acertó el tipo de cálculo en 73% de los casos de validación, frente a 33% del cálculo habitual.
Investigadores de Mayo Clinic desarrollaron y probaron un modelo de inteligencia artificial (IA) que usa los resultados de una prueba de orina de 24 horas para predecir de qué está hecho un cálculo renal, conocido comúnmente como piedra en el riñón. En el conjunto de datos de validación, el modelo identificó correctamente la composición en 73% de los casos, mientras que el cálculo convencional de sobresaturación urinaria, que usa el algoritmo EQUIL2, lo hizo en 33%. Los resultados se publicaron en Mayo Clinic Proceedings.
Conocer la composición de un cálculo ayuda a definir el tratamiento y las estrategias para reducir el riesgo de que aparezca otro. La forma más directa de saberlo es analizar el cálculo en el laboratorio, pero no siempre es posible. Según los autores, hay pacientes que no recolectan las piedras que expulsan y, después de una cirugía, el cálculo puede no estar disponible para estudio. En esos casos, el personal médico suele estimar su composición con información clínica y resultados de laboratorio. Patrick Day, autor sénior del estudio y desarrollador principal en el Departamento de Medicina de Laboratorio y Patología de Mayo Clinic, explicó:
“Muchos pacientes nunca tienen un cálculo disponible para analizar, por lo que los médicos a menudo trabajan con un panorama incompleto”
Los cálculos renales son frecuentes. De acuerdo con Mayo Clinic, uno de cada 11 estadounidenses tendrá uno al menos una vez en la vida, y la recurrencia a lo largo de la vida es de entre 60% y 80%. La mayoría están hechos de oxalato de calcio, aunque también son comunes los de fosfato de calcio y los de ácido úrico.
La prueba de orina de 24 horas mide sustancias que pueden contribuir a la formación de cálculos. Sirve para identificar factores de riesgo y orientar el tratamiento, pero genera muchas mediciones individuales cuya relación entre sí puede ser difícil de interpretar. El modelo analiza esas mediciones en conjunto, identifica patrones y predice el tipo de cálculo más probable. Eric B. Lantz, primer autor y analista sénior de ciencia de datos en el mismo departamento, señaló:
“Las pruebas de laboratorio contienen información útil no solo en los resultados individuales, sino también en las relaciones entre ellos. La IA puede identificar esos patrones y podría ayudarnos a obtener más valor clínico de datos que ya estamos recolectando”.
Para desarrollar el modelo, el equipo usó datos de más de 13 mil pacientes que tenían tanto un panel de sobresaturación en orina de 24 horas como un análisis de composición del cálculo realizados con menos de 90 días de diferencia, entre septiembre de 2015 y marzo de 2024. Los cálculos se clasificaron como mayoritariamente de oxalato de calcio, de fosfato de calcio, de ácido úrico u otros. El modelo se construyó con la edad, el sexo y los resultados de la prueba de orina. Después se evaluó con datos de mil 653 pacientes adicionales, recolectados entre marzo de 2024 y marzo de 2025.
El modelo tuvo una exactitud de 0.73, frente a 0.33 del cálculo convencional, una diferencia que los autores consideran estadísticamente significativa. También superó al método convencional en los análisis por subgrupos de edad y sexo. En la conclusión del artículo, los investigadores señalan que, en todas las categorías de cálculos y en distintos subgrupos, el modelo también superó a otros modelos de IA publicados previamente que usaban el mismo panel de orina.
Los autores subrayan que la herramienta busca complementar, y no reemplazar, los resultados de las pruebas existentes y su evolución en el tiempo. Su uso previsto es como una fuente adicional de información clínica cuando no hay un cálculo disponible para analizar. El estudio recibió financiamiento parcial de un premio de innovación en la práctica clínica de Mayo Clinic para la región del Medio Oeste, correspondiente a 2025.



