La diabetes mellitus tipo 2 (DM2) es una enfermedad crónica compleja que suele coexistir con otras patologías y aumentar el riesgo de complicaciones cardiovasculares y renales. Por ello, identificar a las personas con esta patología, conocer su perfil clínico y reconocer de forma temprana a quienes presentan mayor riesgo de complicaciones podría ser fundamental para ofrecer una atención más personalizada y preventiva¹⁻³.
En este contexto se enmarca Diabetic@, un proyecto multicéntrico impulsado por AstraZeneca y desarrollado en ocho hospitales españoles, con información clínica registrada entre 2013 y 2018. El proyecto evaluó la capacidad del procesamiento del lenguaje natural (PLN) y del machine learning (ML) para aprovechar la información contenida en el texto libre de las historias clínicas electrónicas e identificar, caracterizar y estimar el riesgo de complicaciones en personas con diabetes.
A partir de esta base se realizaron tres estudios complementarios: uno de caracterización de la diabetes en el entorno hospitalario y dos orientados a la predicción del riesgo de enfermedad renal crónica e insuficiencia cardiaca en personas con DM2¹⁻³.
“Diabetic@ nos podría ayudar a entender mejor la realidad de las personas con diabetes atendidas en el hospital: los datos mostraron que esta patología es muy frecuente entre las personas atendidas en el ámbito hospitalario y, sobre todo, que rara vez aparece de forma aislada”, afirma el Dr. Antonio Jesús Blanco Carrasco, del Servicio de Endocrinología y Nutrición del Hospital Clínic de Barcelona e investigador del proyecto.
El primer estudio¹ evaluó el potencial del análisis automatizado del texto clínico para describir la prevalencia y el perfil clínico de las personas con diabetes atendidas en hospitales. Se analizaron millones de documentos clínicos, identificando cientos de miles de personas con diabetes y poniendo de manifiesto una alta carga de comorbilidades.
“En el estudio, la prevalencia hospitalaria global de la diabetes se situó entre el 28 y el 31%, y en las personas con diabetes tipo 2 eran muy frecuentes la hipertensión, la dislipidemia, la enfermedad renal crónica y las enfermedades cardiovasculares”, explica el Dr. Blanco.
“Además, la prevalencia de diabetes tipo 2 aumentaba progresivamente con la edad. Esto podría reflejar muy bien la realidad clínica de las personas mayores, en las que habitualmente la diabetes se puede acompañar de otras patologías, por lo que debe entenderse como una enfermedad crónica compleja y multisistémica”.
Un hallazgo relevante fue que la información clínica, que se distribuye entre registros estructurados y texto libre, podría generar aportaciones distintas y complementarias. Mientras que variables como los resultados de laboratorio o las medidas antropométricas suelen registrarse en campos tabulados y son fácilmente explotables, el texto libre recoge información clínica de una manera poco sistematizada. Ello puede generar dificultades de explotación incluso usando tecnología avanzada como el PLN.
Esta experiencia reforzaría la importancia de asegurar la calidad de los registros estructurados, siendo el aprovechamiento de la información narrativa contenida en las historias clínicas de un valor secundario para obtener una caracterización más completa de las personas con diabetes¹.
“Un resultado muy ilustrativo del estudio es que inicialmente el 75,4% de las personas identificadas con diabetes no tenían correctamente registrado su tipo de diabetes en la información analizada. El procesamiento del lenguaje natural y el aprendizaje automático permitieron aprovechar mucha más información de esas historias clínicas y obtener una imagen más completa de lo que ocurre en la práctica clínica”, añade el Dr. Blanco.
“En un escenario ideal, si todos los datos estuvieran tabulados en casillas serían más concluyentes y fáciles los análisis masivos de datos. En la práctica clínica siempre hay un lenguaje escrito donde se completan datos diagnósticos, de juicio clínico y de planificación terapéutica. Tener la posibilidad de incluir este lenguaje de texto, validarlo e incorporarlo al cuadro de mandos, podría enriquecer y dar validez al propio seguimiento de la persona con diabetes”, destaca el Dr. Juan Francisco Merino Torres, especialista en Endocrinología y Nutrición en el Hospital Universitari i Politècnic La Fe (Valencia) e investigador del proyecto Diabetic@.
El segundo estudio² utilizó el mismo enfoque de PLN/ML para desarrollar un modelo capaz de estimar el riesgo de desarrollar enfermedad renal crónica (ERC) en los siguientes dos años en personas con DM2 sin ERC al inicio.
El objetivo fue determinar si la información clínica contenida en el texto libre de las historias clínicas podía utilizarse para construir algoritmos predictivos, ampliando así el potencial de los datos no estructurados para la identificación temprana de pacientes con mayor riesgo de desarrollar enfermedad renal crónica.
“La nefropatía es una complicación crónica donde el escenario ideal es poder identificarla en sus estadios iniciales. Hoy en día disponemos de opciones que nos pueden permitir modificar la historia natural de esta complicación, por tanto, su identificación precoz podría permitir retrasar y modificar su evolución hacia enfermedad renal avanzada”, explica el Dr. Merino.
El tercer estudio³ aplicó una metodología similar para desarrollar un modelo capaz de estimar el riesgo de insuficiencia cardiaca (IC) incidente a dos años en personas con DM2 sin IC previa.
La insuficiencia cardiaca constituye una complicación frecuente y de gran impacto en las personas con DM2. Además, la diabetes, la enfermedad renal y la enfermedad cardiovascular están estrechamente relacionadas y comparten factores de riesgo y mecanismos fisiopatológicos.
Este concepto, conocido como eje cardio-renal-metabólico, pone de manifiesto la importancia de una prevención integral orientada a proteger simultáneamente el corazón, el riñón y el control metabólico³.
“La diabetes tipo 2 es una enfermedad sistémica en la que las alteraciones metabólicas, cardiovasculares y renales están estrechamente relacionadas. Enfermedad renal e insuficiencia cardiaca comparten numerosos factores de riesgo y cada una puede favorecer el desarrollo o empeoramiento de la otra. Por eso tiene sentido hablar de un eje cardio-renal-metabólico a nivel etiológico y realizar una prevención conjunta.
La magnitud de los resultados podría ser importante: en el estudio, el 14,3% de las personas con diabetes tipo 2 ya presentaba insuficiencia cardiaca inicialmente y, entre quienes no la tenían, aproximadamente un 11-14% la desarrolló durante los dos años de seguimiento de las cohortes utilizadas para el modelo”, detalla el Dr. Blanco.
Los modelos desarrollados en el estudio mostraron que la inteligencia artificial podría constituir una valiosa herramienta de apoyo para identificar patrones clínicos, categorizar riesgos y orientar decisiones clínicas.
No obstante, estas herramientas no están concebidas como diagnósticos automáticos ni como sustitutos del criterio clínico humano, sino como un complemento que podría apoyar la identificación temprana de personas con mayor riesgo de complicaciones.
“Poder identificar a las personas de mayor riesgo permitiría dirigir nuestros esfuerzos a aquellos que más beneficio en morbi-mortalidad podrían tener. Por tanto, es un aspecto fundamental de la planificación sanitaria: no deberíamos esperar a que el paciente consulte urgencias en situación avanzada, deberíamos ser proactivos y generar señales de alerta que nos permitiesen identificar aquellos pacientes donde el beneficio de la intervención podría ser positivo”, explica el Dr. Merino³.
“Diabetic@ reforzaría un mensaje clave para la población general: en diabetes, la prevención no es solo ‘azúcar’, también sería cuidar el riñón y el corazón de forma temprana, y esperamos que pueda ayudar a los profesionales sanitarios a reducir complicaciones, ingresos y progresión de enfermedad”, explica Yésica Hernández-Brichis, directora médica de Biofarma y directora de Asuntos Regulatorios de AstraZeneca España.
“Nuestro compromiso con estudios como Diabetic@ parte de una idea clara: la innovación no solo estaría en nuevos tratamientos, sino también en mejorar cómo detectamos el riesgo. Impulsar proyectos con PLN e inteligencia artificial aplicada a historias clínicas podría acelerar el paso a una medicina más preventiva, con beneficios para pacientes y para el sistema sanitario”, destaca.
Referencias
Blanco-Carrasco AJ, et al. Characterizing the clinical profile and prevalence of people with diabetes attended in the hospital setting by using unstructured healthcare data and natural language processing: the Diabetic@ study. Diabetes Research and Clinical Practice 2025; 226: 112214. https://doi.org/10.1016/j.diabres.2025.112214. https://www.diabetesresearchclinicalpractice.com/article/S0168-8227(25)00228-1/fulltext
Navarro-González JF, et al. Predicting Chronic Kidney Disease in Type 2 Diabetes Using Natural Language Processing on Healthcare Data. Kidney Dis 2026; 12:18–28. DOI:10.1159/000547604. https://pmc.ncbi.nlm.nih.gov/articles/PMC12779294/
Navarro-González JF, et al. Natural Language Processing of Unstructured Healthcare Data for Predicting Heart Failure in Individuals with Type 2 Diabetes. J. Clin. Med. 2026; 15: 3287. https://doi.org/10.3390/jcm15093287. https://www.mdpi.com/2077-0383/15/9/3287
