Este estudio entrenó y evaluó un modelo de aprendizaje automático de bajo costo para identificar pacientes en riesgo de enfermedad renal crónica, definida como una TFGe menor de 60 mL/min/1.73m² (CKD-EPI 2021), en una base multicéntrica de 203,067 registros latinoamericanos anonimizados. El modelo usa ocho variables rutinarias y no invasivas: edad, sexo, presión arterial sistólica y diastólica, índice de masa corporal, hipertensión, diabetes tipo 2 y tiempo de evolución de la diabetes. Tras aplicar sobremuestreo para equilibrar los casos, los datos se dividieron 70/12/18 en entrenamiento, validación y prueba, y la plataforma Arkangel AutoML generó 424 modelos candidatos, priorizados primero por una sensibilidad superior al 90%.
El modelo elegido fue un árbol de decisión entrenado con aumento SMOTE, que alcanzó una sensibilidad de 90.2%, especificidad de 92.7%, precisión de 89% y AUC de 0.914 en el conjunto de prueba. El análisis SHAP señaló la edad y el tiempo de evolución de la diabetes como las variables más influyentes. Los autores lo plantean como una herramienta de tamizaje que no requiere pruebas de laboratorio especializadas y que puede integrarse en la historia clínica electrónica para priorizar las pruebas confirmatorias. Es un preprint y aún no ha pasado revisión por pares.
