Evaluación de la desnutrición en pacientes con enfermedad de Crohn: un modelo novedoso de predicción de riesgos con potencial de optimización dinámica y validación de la eficacia

Resumen

Este estudio construyó y validó un modelo novedoso de predicción del riesgo de desnutrición para pacientes con enfermedad de Crohn utilizando metaanálisis, regresión logística multivariable y aprendizaje automático. El modelo demostró buen rendimiento predictivo y utilidad clínica para guiar intervenciones nutricionales personalizadas.

Resumen

Este estudio tenía como objetivo construir y validar un modelo de predicción del riesgo de desnutrición que combine regresión logística multivariable y aprendizaje automático en pacientes con enfermedad de Crohn (EC), con el objetivo de mejorar la precisión en la identificación del riesgo de desnutrición mediante la integración de marcadores inflamatorios y características de la enfermedad. Se buscaron sistemáticamente PubMed, Web of Science, Cochrane Library, Embase e Infraestructura Nacional de Conocimiento de China (CNKI) para identificar factores de riesgo asociados a la desnutrición en pacientes con EC. En el metaanálisis se incluyeron estudios de alta calidad utilizando los criterios de la Iniciativa Global de Liderazgo sobre la Malnutrición (GLIM) 2019, los criterios de la Sociedad Europea para la Nutrición y el Metabolismo Clínico (ESPEN) 2015 o los criterios de la Herramienta Universal de Cribado de Malnutrición (MUST), mientras que la cohorte del estudio aplicó exclusivamente los criterios de ESPEN 2015 para asegurar una definición consistente de los resultados. El modelo de predicción se desarrolló utilizando datos de 800 pacientes con CD de la Inflammatory Bowel Disease Cohort Database (IBDCD) y validado mediante remuestreo bootstrap y un subconjunto independiente de retención no solapada de 280 pacientes de la misma base de datos. El rendimiento del modelo se evaluó utilizando el área bajo la curva característica de funcionamiento del receptor (AUC), la prueba de Hosmer–Lemeshow y la puntuación Brier. No se observaron diferencias significativas en la línea base entre las cohortes de entrenamiento y validación. El modelo logró un AUC de 0,987 en la cohorte de formación y 0,967 en la cohorte de validación, demostrando buena discriminación y calibración. El análisis de la curva de decisión demostró además beneficios netos clínicamente significativos a través de probabilidades umbral relevantes. Este modelo identifica eficazmente el riesgo de desnutrición en pacientes con TEC y puede apoyar la intervención nutricional personalizada, optimizar la toma de decisiones clínicas y mejorar los resultados y la calidad de vida del paciente. Se requieren futuros estudios multicéntricos para validar aún más la generalizabilidad del modelo y evaluar la integración de factores socioeconómicos para una optimización posterior.

Introducción

La enfermedad de Crohn (EC) es una enfermedad inflamatoria intestinal (EII) crónica y progresiva con una etiología multifactorial, y su carga global ha aumentado considerablemente en los últimos^años. Los estudios epidemiológicos indican que, aunque la enfermedad de la enfermedad de la enfermedad sigue siendo más prevalente en los países occidentales, la incidencia y prevalencia de la enfermedad en poblaciones asiáticas, especialmente en China, han aumentado notablemente en las últimas^{tres décadas 1}.

La desnutrición es una de las complicaciones más comunes y clínicamente significativas en pacientes con EC.^2 Aproximadamente entre un tercio y la mitad de los pacientes con MC experimentan desnutrición moderada a grave². La desnutrición se asocia con hospitalización prolongada, mayores requerimientos quirúrgicos, mayores tasas de complicaciones postoperatorias, fibrosis intestinal acelerada, aumento de la dependencia de glucocorticoides, respuesta terapéutica reducida y disminución de la calidad de vida relacionada con la salud (QRH)^3,4. Además, la desnutrición contribuye a la disfunción inmunitaria, agravando la inflamación intestinal y creando un círculo vicioso que impone cargas socioeconómicas y sanitarias^{considerables.}

Actualmente, en la práctica clínica se utilizan varias herramientas de evaluación nutricional; sin embargo, su aplicabilidad a pacientes con DC sigue siendo^{limitada 5}. La Evaluación Subjetiva Global Generada por el Paciente (PG-SGA), aunque recomendada para el cribado nutricional en pacientes con enfermedades crónicas, se basa en gran medida en el juicio clínico subjetivo y demuestra una coherencia limitada entre los clínicos cuando se aplica a poblaciones^{de CD 6}. Además, el PG-SGA carece de especificidad para la malabsorción intestinal. El Cribado de Riesgo Nutricional 2002 (NRS 2002), que incorpora umbrales basados en el índice de masa corporal (IMC), ha mostrado una sensibilidad relativamente baja en poblaciones asiáticas y puede contribuir al subdiagnóstico⁷. De manera similar, la Mini Evaluación Nutricional - Forma Corta (MNA-SF), desarrollada originalmente para poblaciones mayores, muestra tasas relativamente altas de falsos positivos en adultos jóvenes con DC.

Es importante destacar que la mayoría de las herramientas de evaluación nutricional actualmente disponibles se basan en sistemas de puntuación estáticos y no capturan adecuadamente las fluctuaciones dinámicas en el estado nutricional asociadas a la actividad de la enfermedad en^{el día 8} del ciclo. Como la EC se caracteriza por periodos alternos de remisión y recaída, el estado nutricional puede deteriorarse o mejorar con el tiempo en paralelo con la actividad^{inflamatoria 9}. Los enfoques convencionales de evaluación carecen de la capacidad de realizar estratificación dinámica del riesgo y, por tanto, pueden no identificar un deterioro subclínico temprano del estado nutricional. Además, muchas herramientas existentes no incorporan biomarcadores específicos de la enfermedad ni indicadores inflamatorios, como la proteína C-reactiva (PCR), la albúmina sérica y la calprotectina fecal, limitando así su precisión predictiva en entornos clínicos^{complejos 10}.

Los avances recientes en inteligencia artificial y aprendizaje automático (ML) han introducido nuevas oportunidades para mejorar la evaluación del riesgo nutricional en enfermedades inflamatorias^{crónicas 11}. En comparación con los enfoques tradicionales basados en regresión, los algoritmos de aprendizaje automático pueden identificar asociaciones no lineales e interacciones complejas entre variables, lo que los hace especialmente adecuados para conjuntos de datos clínicos heterogéneos con predictores multidimensionales. La evidencia emergente sugiere que los modelos de predicción del riesgo nutricional basados en ML pueden superar los enfoques estadísticos convencionales en la predicción del deterioro nutricional en pacientes con^{EII 12}. Además de mejorar el rendimiento predictivo, los enfoques de aprendizaje automático pueden reducir la multicolinealidad mediante técnicas de regularización y optimizar la selección de predictores para mejorar la interpretabilidad y generalizabilidad del modelo^13,14.

La creciente disponibilidad de bases de datos públicas a gran escala ha fortalecido aún más la investigación relacionada con la nutrición en CD. Las bases de datos internacionales, incluyendo el IBD Biobank, la Encuesta Nacional de Salud y Nutrición (NHANES) y el Biobank del Reino Unido, contienen datos clínicos longitudinales extensos que abarcan índices nutricionales, biomarcadores inflamatorios, información genómica y características del estilo^{de vida 15,16,17}. La integración de estos conjuntos de datos multidimensionales permite la validación entre poblaciones y mejora la aplicabilidad externa de los modelos predictivos. Los metaanálisis han demostrado que los modelos de predicción desarrollados mediante conjuntos de datos integrados multicéntricos presentan mayor estabilidad y reproducibilidad que los modelos derivados de cohortes de un solo centro.

Este estudio planteó la hipótesis de que integrar variables predictivas multidimensionales, incluidos marcadores inflamatorios, características de la enfermedad y factores demográficos y socioeconómicos, combinado con la regresión logística multivariable y algoritmos de aprendizaje automático, mejoraría la precisión y eficiencia de la predicción del riesgo de desnutrición en pacientes con DC. El modelo predictivo resultante puede facilitar una intervención nutricional personalizada, optimizar la toma de decisiones clínicas y mejorar los resultados y la calidad de vida para los pacientes.

Protocolo

Todos los pacientes cuyos datos fueron introducidos en la Base de Datos de Cohortes de Enfermedades Inflamatorias Intestinales (IBDCD) proporcionaron un consentimiento informado escrito para el uso de datos clínicos desidentificados con fines de investigación en el momento de la inscripción en la base de datos. El mismo marco ético de aprobación y consentimiento se aplicaba a todos los datos extraídos de la base de datos, incluyendo tanto las cohortes de desarrollo como de validación. No se utilizó información identificable del paciente en este estudio, y todos los datos fueron desidentificados y cifrados para su almacenamiento. Como este estudio implicaba un análisis retrospectivo de datos desidentificados de una base de datos establecida, el comité de ética eximió el requisito de consentimiento adicional del paciente para este análisis específico. Las herramientas de investigación utilizadas en el protocolo se enumeran en la Tabla de Materiales.

1. Cribado de factores influyentes en el metaanálisis

1. Estrategia de búsqueda bibliográfica
   Se llevó a cabo una estrategia de búsqueda sistemática en PubMed, Web of Science, Cochrane Library, Embase y China National Knowledge Infrastructure (CNKI). La estrategia de búsqueda en inglés se definió de la siguiente manera:
   
   ("Enfermedad de Crohn"[malla] O "CD"[tiab] O "Crohn*"[tiab]) Y ("Desnutrición"[Malla] O "Estado nutricional" [Malla] O "Riesgo nutricional"[tiab]) Y ("Factores de riesgo"[Malla] O "Predecir*"[tiab])
   
   El periodo de búsqueda abarcó la creación de la base de datos hasta el 31 de marzo de 2025. Además, se realizó un filtro manual de las listas de referencias de los estudios incluidos para identificar posibles artículos que se hayan pasado por alto. Esta estrategia permitió una revisión completa de la literatura sobre el riesgo relacionado con la desnutrición y los factores predictivos en pacientes con enfermedad de Crohn (EC), con bases de datos claramente definidas, términos de búsqueda, plazos y procedimientos manuales suplementarios de extracción para garantizar la completitud de la recopilación de la literatura.
2. Criterios de inclusión y exclusión
   Los criterios de inclusión requerían que las poblaciones del estudio estuvieran compuestas por pacientes adultos (de ≥18 años) diagnosticados con enfermedad de Crohn según el Consenso de 2018 sobre el Diagnóstico y Tratamiento de la Enfermedad Inflamatoria Intestinal. Dada la importancia clínica de la desnutrición en la DC, se puso énfasis en estudios que definen la desnutrición utilizando los criterios de la Sociedad Europea de Nutrición Clínica y Metabolismo (ESPEN) 2015, los criterios de la Iniciativa Global de Liderazgo sobre la Malnutrición (GLIM) 2019, o la puntuación de la Herramienta Universal de Cribado de Malnutrición (MUST) ≥2. Se mantuvo una clara distinción entre los criterios diagnósticos definidos por la literatura y la aplicación exclusiva de los criterios ESPEN 2015 para la definición de resultados dentro de la cohorte del estudio.
   
   Los diseños de estudio elegibles incluyeron estudios de cohorte, casos y controles, transversales y métodos mixtos para asegurar una evaluación exhaustiva de los factores de riesgo de desnutrición desde múltiples perspectivas. Los criterios de exclusión incluían estudios con animales, artículos de revisión y resúmenes de congresos debido a la falta de apoyo de datos o la falta de revisión por pares. También se excluyeron los estudios que carecían de información estadística esencial, incluyendo las razones de probabilidades (OR) y los correspondientes intervalos de confianza del 95% (IC).

2. Selección de literatura y extracción de datos

El análisis de la literatura y la extracción de datos fueron realizados de forma independiente por dos investigadores para garantizar la completitud y precisión. La fase inicial consistió en filtrar títulos y resúmenes para excluir estudios que claramente no cumplían los criterios de inclusión, reduciendo así el conjunto de datos a estudios potencialmente relevantes y de alta calidad.

Posteriormente, se realizó un cribado completo para los estudios considerados potencialmente elegibles. Esta etapa implicó una evaluación detallada del diseño del estudio, la metodología, los resultados y la adhesión a criterios de inclusión predefinidos para asegurar que solo los estudios que cumplieran todos los requisitos se incluyeran en el análisis final.

La extracción de datos se realizó utilizando formularios estandarizados para registrar sistemáticamente información clave, incluyendo nombres de autores, año de publicación, país, tamaño de muestra, distribución de subtipos de clasificación de Montreal, duración media de la enfermedad, definiciones de desnutrición, herramientas de evaluación y OR extraídos con IC correspondiente del 95% para influir en factores asociados al riesgo de desnutrición.

Cualquier discrepancia o incertidumbre que surgiera durante el cribado y la extracción de datos se resolvía mediante discusiones internas. Cuando no se alcanzaba consenso, se consultaba a un experto externo para arbitrar, minimizando el sesgo subjetivo y asegurando una toma de decisiones objetiva. Este proceso riguroso mejoró la transparencia metodológica y proporcionó una base sólida para la identificación de los factores clave asociados al riesgo de desnutrición en la enfermedad de la enfermedad.

3. Evaluación de la calidad

Se aplicaron rigurosos criterios de evaluación de calidad para garantizar la validez científica y fiabilidad de los estudios incluidos. Los estudios de cohorte y casos y controles se evaluaron utilizando la Escala Newcastle–Ottawa (NOS), que evalúa la calidad de los estudios en tres dominios: selección, comparabilidad y exposición. Solo los estudios con puntuaciones NOS ≥7 fueron clasificados como de alta calidad e incluidos en el análisis.

Los estudios transversales se evaluaron utilizando la herramienta de evaluación de la Agencia para la Investigación y la Calidad en Salud (AHRQ), que examina la selección de participantes, la adecuación del tamaño de la muestra, la validez de los métodos de recogida de datos y la idoneidad de los análisis estadísticos. Se consideraron elegibles para inclusión los estudios con puntuaciones AHRQ ≥8.

La aplicación de estos estrictos criterios de evaluación de calidad minimizó el posible sesgo relacionado con la variabilidad de la calidad del estudio y aseguró que el modelo predictivo estuviera respaldado por una base de evidencia fiable.

4. Construcción del modelo de predicción

1. Fuente de datos
   La Base de Datos de Cohortes de Enfermedades Inflamatorias Intestinales (IBDCD) es una base de datos prospectiva multicéntrica que contiene datos clínicos de pacientes con enfermedad de Crohn recopilados entre enero de 2018 y marzo de 2025, incluyendo información demográfica, características clínicas, indicadores de laboratorio, regímenes de tratamiento y evaluaciones del estado nutricional. El conjunto de datos de desarrollo del modelo incluyó 800 pacientes con enfermedad de Crohn derivados de la base de datos IBDCD, compuestos por 520 pacientes en la cohorte de entrenamiento y 280 pacientes en la cohorte de validación.
   
   Los criterios de inclusión requerían un diagnóstico confirmado de la enfermedad de Crohn durante al menos 6 meses y la disponibilidad de datos clínicos completos, incluyendo factores influyentes identificados y datos de evaluación nutricional derivados del metaanálisis. Se excluyeron pacientes con condiciones comórbidas que pudieran afectar el estado nutricional, incluyendo malignidades o enfermedad renal crónica, para garantizar la precisión de los datos y la validez del modelo.
2. Definición y asignación de variables
   La desnutrición se diagnosticó estrictamente según los criterios de ESPEN 2015, que incluyen tres componentes diagnósticos principales: pérdida de peso no intencionada (≥5% en 3 meses o ≥10% en 6 meses), reducción de la ingesta o absorción de alimentos (reducción del ≥25% durante ≥14 días) y disminución de la masa muscular evaluada mediante examen físico y mediciones antropométricas, incluyendo la circunferencia muscular del brazo medio. Un índice de masa corporal bajo (IMC < 18,5 kg/^m2) se consideró un indicador diagnóstico de apoyo más que definitivo. La desnutrición solo se confirmó cuando existía al menos un criterio central, mientras que un IMC bajo servía como indicador suplementario. Los pacientes que se presentaron con IMC bajo sin evidencia de los criterios básicos no fueron clasificados como desnutridos. Esta definición evitaba circularidad entre un IMC bajo, una variable predictiva, y la desnutrición, un resultado.
   
   La prevalencia de la desnutrición fue del 42,5% en la cohorte de entrenamiento (n = 520) y del 40,4% en la cohorte de validación (n = 280). A partir de los resultados del metaanálisis, se seleccionaron cinco factores clave que influyeron como variables predictivas, incluyendo la actividad de la enfermedad definida como proteína C-reactiva (CRP >10 mg/L; Sí = 1, No = 0), afectación del intestino delgado definida por la clasificación de Montreal (afectación colónica LL1/LL3 frente a LL2; Sí = 1, No = 0), uso biológico (Sí = 1, No = 0), antecedentes de resección intestinal (Sí = 1, No = 0) e IMC bajo (<18,5 kg/^{m 2}; Sí = 1, No = 0). La edad y el sexo se recogieron como características demográficas de referencia, pero no se incluyeron como variables predictivas en el modelo final porque no fueron estadísticamente significativas durante el análisis preliminar.
   
   En total se incluyeron 17 estudios de alta calidad en el metaanálisis. Los OR agrupados y los IC del 95% correspondientes para los cinco factores predictivos fueron los siguientes: CRP elevado (OR = 4,72, IC 95%: 3,21–6,95), afectación del intestino delgado (OR = 2,89, IC 95%: 1,93–4,33), uso de biológicos (OR = 0,39, IC 95%: 0,15–1,01), antecedentes de resección intestinal (OR = 6,17, IC 95%: 2,35–16,18) y IMC bajo (OR = 3,56, IC 95%: 2.41–5.27).
3. Método de construcción del modelo
   Los OR agrupados y los IC correspondientes del 95% derivados del metaanálisis se transformaron en valores log-OR y se utilizaron para derivar los coeficientes de regresión (β) del modelo de regresión logística multivariable. La consistencia entre los resultados del metaanálisis y los coeficientes del modelo se verificó mediante el análisis de correlación de Pearson (r = 0,98, P < 0,001). A partir de los factores que influyen identificados, se construyó un modelo de regresión logística multivariable según la siguiente ecuación:
   
   "logit"(P) = α + β₁ X₁ + β_{2 X 2} + β₃ X₃ + β₄ X₄ + β₅ X₅
   
   donde P representa la probabilidad de ocurrencia de desnutrición y los valores de β representan el logaritmo natural de los valores de OR agrupados derivados del metaanálisis.
   
   Utilizando el software R (versión 4.2.1) y el paquete "rms", el modelo se tradujo en un nomograma clínicamente aplicable. Las puntuaciones de riesgo originales (rango teórico: 0–325,1) se escalaron linealmente a un rango de 0–100 para mejorar la legibilidad clínica. Basándose en las puntuaciones totales de nomogramas, los pacientes se estratificaron en categorías de bajo riesgo (≤20 puntos), de riesgo moderado (21–40 puntos) y de alto riesgo (>40 puntos) utilizando calibración basada en percentiles en relación con la distribución de puntuaciones de cohorte.
   
   Se utilizaron algoritmos de aprendizaje automático, incluyendo el bosque aleatorio (RF) y el árbol de decisión de aumento de gradiente (GBDT), para la optimización de características. Una estrategia de apilamiento combinaba RF y GBDT como aprendices base con regresión logística como metaclasificador. Los hiperparámetros se optimizaron mediante validación cruzada de 5 veces, con RF configurado como n_estimators = 200 y max_depth = 10, y GBDT configurado como n_estimators = 150 y learning_rate = 0,1. Se aplicó la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) para abordar un pequeño desequilibrio de clases dentro del conjunto de datos de entrenamiento.

5. Validación del modelo

1. Conjunto de datos de validación
   Se empleó una estrategia de doble validación. La validación interna se realizó mediante remuestreo bootstrap con 1.000 repeticiones. La validación de la exclusión se realizó utilizando un subconjunto independiente no solapado de 280 pacientes extraídos de la base de datos IBDCD, excluyendo a los pacientes incluidos en la cohorte de entrenamiento. Todos los pacientes de la cohorte de validación fueron diagnosticados con enfermedad de Crohn según el Consenso de Enfermedad Inflamatoria Intestinal de 2018, con datos recogidos prospectivamente desde enero de 2018 hasta marzo de 2025.
   
   La cohorte de validación siguió los mismos procedimientos de averiguación que la cohorte de formación. La desnutrición se evaluó utilizando los criterios ESPEN 2015, y se midieron todas las variables predictivas, incluyendo la PCR, la localización de la lesión, el uso de biológicos, la historia de resección intestinal y el IMC, en un plazo de 72 horas previas al ingreso hospitalario. No se observaron diferencias significativas entre las cohortes de entrenamiento y validación en cuanto a características basales, incluyendo edad, sexo y duración de la enfermedad (P > 0,05), lo que respalda la fiabilidad y aplicabilidad clínica de los resultados de validación.
   
   Se calcularon métricas de rendimiento adicionales para evaluar aún más el rendimiento del modelo. En la cohorte de formación, la sensibilidad fue del 92,3%, la especificidad del 94,1%, el valor predictivo positivo (VPP) del 90,5% y el valor predictivo negativo (VPN) del 95,2%. En la cohorte de validación, la sensibilidad fue del 90,2%, la especificidad del 92,8%, la VPP del 88,7% y la VPN del 93,9%. La puntuación Brier fue de 0,087 en la cohorte de entrenamiento y 0,102 en la cohorte de validación, lo que indica un error predictivo aceptable.
2. Métricas de validación
   La discriminación del modelo se evaluó utilizando el área bajo la curva de característica de funcionamiento del receptor (ROC) (AUC). La calibración se evaluó utilizando la prueba de Hosmer–Lemeshow, donde P > 0,05 no indicaron diferencia significativa entre las probabilidades predichas y los resultados observados, y la puntuación Brier, donde los valores <0,20 indicaron un error predictivo aceptable. El análisis de la curva de decisión (DCA) también se realizó para evaluar el beneficio neto clínico en una variedad de probabilidades umbral.
   
   Este marco de validación se ajustaba a las directrices de declaración de declaración de Prognóstico o Diagnóstico Individual (TRIPOD) de Reporte Transparente de un modelo de predicción multivariable para Pronósticos o Diagnóstico.

6. Análisis estadístico

Se realizó un metaanálisis utilizando la versión 5.4 de RevMan, y se calcularon los OR agrupados con IC del 95% correspondiente. La heterogeneidad se evaluó utilizando la estadística I² ; los valores>50% indican una heterogeneidad sustancial. Se aplicaron modelos de efectos aleatorios cuando existía una heterogeneidad significativa; de lo contrario, se usaron modelos de efectos fijos. El análisis de sensibilidad se realizó excluyendo secuencialmente estudios individuales para evaluar la estabilidad de los resultados. El sesgo de publicación se evaluó utilizando diagramas de embudo y la prueba de Egger.

Se realizaron análisis estadísticos básicos utilizando la versión 26.0 de SPSS. Los paquetes "pROC", "rms" y "glmnet" en el software R (versión 4.2.1) se utilizaron para la construcción y validación de modelos.

Resultados

Características básicas de la población estudiada
Este metaanálisis incluyó 17 estudios de alta calidad que evaluaron la desnutrición en pacientes con enfermedad de Crohn, resumidos en la Tabla Suplementaria 1. Los estudios se publicaron entre 2009 y 2025, con un tamaño de muestra mediano de 502 pacientes (rango: 175–773). Los diseños de los estudios incluyeron estudios de cohorte prospectiva, cohorte retrospectiva, caso control, transversales y métod...

Discusión

La enfermedad de Crohn (EC) es una enfermedad inflamatoria intestinal crónica y recurrente que puede afectar cualquier parte del tracto gastrointestinal 1,35,36,37. La etiología de la enfermedad de la enfermedad del castaño sigue siendo incierta y se cree que implica múltiples factores, incluyendo la susceptibilidad genética, las exposiciones ambientales y la d...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
RevMan software	Cochrane Collaboration‌	5.4	El software profesional de metaanálisis desarrollado por la Colaboración Cochrane se utiliza principalmente para la formulación de revisiones sistemáticas y metaanálisis, entrada de datos y visualización de resultados. ‌
R software	The R Project for Statistical Computing	4.2.1	R es una rama del lenguaje S que fue ampliamente utilizado en el campo de la estadística y nació alrededor de 1980. Puede considerarse como una implementación del lenguaje S. El lenguaje S, desarrollado por AT&T Bell LABS, es un lenguaje interpretativo utilizado para la exploración de datos, análisis estadístico y gráficos