En la vanguardia de la lucha contra las enfermedades infecciosas, la precisión diagnóstica no es solo una meta científica, sino una necesidad vital para la supervivencia del paciente. En este contexto, un equipo de investigadores de la Universidad de Granada (UGR) ha marcado un hito en la intersección entre la medicina y la computación. Mediante el uso de modelos avanzados de inteligencia artificial (IA), han logrado optimizar de forma significativa la identificación de las subespecies del complejo Mycobacterium abscessus, una de las bacterias no tuberculosas más persistentes y difíciles de tratar en el entorno clínico actual.
El trabajo, que ha captado la atención de la comunidad científica internacional tras su publicación en el Journal of Proteome Research, representa un salto cualitativo respecto a los métodos tradicionales. Gracias a la combinación de datos procedentes de seis hospitales europeos y el desarrollo de algoritmos de aprendizaje automático (machine learning), los investigadores han conseguido que la IA sea capaz de distinguir entre variantes bacterianas con una precisión y exhaustividad del 97%.
El desafío médico: una bacteria de difícil clasificación
El complejo Mycobacterium abscessus agrupa un conjunto de bacterias no tuberculosas que suponen un auténtico quebradero de cabeza para los especialistas en microbiología y enfermedades infecciosas. Su gran variabilidad genética y su resistencia inherente a múltiples antibióticos hacen que su correcta identificación a nivel de subespecie sea crítica para decidir el tratamiento adecuado.
Hasta ahora, la herramienta estándar en los laboratorios de microbiología ha sido la técnica MALDI‑TOF MS. Este sistema permite identificar microorganismos analizando sus patrones proteicos, creando una especie de «huella dactilar» espectral. Sin embargo, a pesar de su rapidez, esta técnica presentaba limitaciones cuando se trataba de diferenciar subespecies muy similares entre sí, especialmente cuando los datos provenían de diferentes laboratorios con equipos y condiciones ligeramente distintas.
La solución de la UGR: IA para corregir la variabilidad humana
El enfoque desarrollado por el Departamento de Ciencias de la Computación de la UGR y el Instituto Andaluz Interuniversitario en Ciencia de Datos e Inteligencia Computacional (DaSCI) ha abordado este problema de raíz. El estudio analizó un total de 325 perfiles espectrales obtenidos en un entorno multicéntrico, lo que permitió entrenar a la IA no solo en la identificación de la bacteria, sino en la corrección de las variaciones intrínsecas que ocurren entre un laboratorio y otro.
Para lograr este nivel de sofisticación, el equipo investigador empleó técnicas de equilibrado de clases y una cuidadosa selección de características de los datos. El resultado es un modelo mucho más robusto que los descritos hasta la fecha en la literatura científica, capaz de ofrecer resultados fiables incluso en escenarios hospitalarios reales donde la variabilidad es la norma y no la excepción.
El poder de la reducción del ‘binning’
Uno de los pilares técnicos más innovadores de este trabajo ha sido la gestión del llamado binning. En el procesamiento de espectros de masas, el binning consiste en agrupar las señales detectadas para simplificar los datos. El equipo granadino descubrió que, al reducir esta agrupación, el modelo de inteligencia artificial adquiría una «vista más aguda», permitiéndole detectar diferencias sutiles entre espectros que a simple vista parecen idénticos.
Esta decisión técnica ha sido fundamental para resolver uno de los mayores retos de la microbiología: la identificación de la variante M. abscessus subsp. bolletii. Esta subespecie es tradicionalmente la más difícil de discriminar para los expertos, pero gracias al nuevo método de aprendizaje automático, su clasificación se ha vuelto mucho más sencilla y precisa, contribuyendo a obtener resultados equilibrados entre todas las variantes estudiadas.
El equipo detrás del avance y su compromiso
Este avance es fruto de una colaboración multidisciplinar que incluye al Hospital General Universitario Gregorio Marañón y a la empresa Clover Bioanalytical Software S.L.. El núcleo de la investigación forma parte de la tesis doctoral de Erica Fuillerat, alumna del Instituto DaSCI, quien ha contado con la colaboración de Juan Emilio Martínez, coautor y también estudiante de doctorado en la misma institución.
El respaldo institucional ha sido clave. El Instituto DaSCI, una entidad de colaboración entre las universidades de Granada, Jaén y Córdoba, se ha consolidado como un centro de referencia en la investigación avanzada en IA. Su enfoque se centra en la transferencia de conocimiento científico al entorno socioeconómico, buscando que la tecnología no se quede en el papel, sino que contribuya activamente al progreso tecnológico y a la digitalización de la industria sanitaria. La coordinación de este talento interuniversitario permite que proyectos de esta envergadura tengan el soporte técnico y humano necesario para alcanzar la excelencia internacional.
Fieles a los principios de transparencia y reproducibilidad, los investigadores de la UGR han puesto los datos utilizados en el estudio a disposición de toda la comunidad científica a través de la plataforma Zenodo. Este compromiso con la ciencia abierta garantiza que otros laboratorios del mundo puedan validar los resultados o incluso mejorar el modelo, acelerando el despliegue de estas herramientas en la práctica clínica diaria.
«Esta robustez es un requisito esencial para que las herramientas basadas en inteligencia artificial puedan trasladarse con garantías a la práctica clínica. El objetivo final es que cualquier hospital, independientemente de su ubicación geográfica, pueda ofrecer a sus pacientes el diagnóstico más rápido y preciso posible»
En definitiva, la investigación liderada por la Universidad de Granada no solo ofrece una solución tecnológica a un problema microbiológico complejo, sino que establece un nuevo estándar en el uso de la IA como aliada de la sanidad, demostrando que la unión entre la computación avanzada y la medicina es la vía más eficaz para enfrentar los retos de salud del siglo XXI.
