Un índice de fragilidad electrónico construido por deep learning sobre las notas clínicas: en 193 629 finlandeses, un riesgo de muerte multiplicado por 7 en los más frágiles — pero un umbral calibrado sobre la mortalidad que predice

Un equipo liderado desde la Universidad de Tampere construye un índice de fragilidad electrónico de nueva generación: además de los diagnósticos codificados y los análisis, un modelo de deep learning extrae de las notas clínicas libres diez déficits funcionales (movilidad, visión, audición, aislamiento, necesidad de ayuda). En 193 629 finlandeses de 35 a 103 años, el riesgo de muerte de los más frágiles se multiplica por 7,3 y el de infección grave por 9,2. Pero los umbrales que definen la fragilidad están calibrados sobre la mortalidad que el índice predice después, los únicos comparadores son dos puntuaciones basadas en códigos usadas fuera de su marco, y nada se valida más allá de un único condado finlandés.

El contexto

La fragilidad es un estado de vulnerabilidad aumentada ligado a la disminución de las reservas fisiológicas y a una menor capacidad de volver al equilibrio tras un estrés. Predice con fuerza la mortalidad, las hospitalizaciones y el ingreso en residencias, pero rara vez se mide en la práctica rutinaria. La idea de un índice de fragilidad (FI) es contar los «déficits de salud» acumulados a través de los sistemas del organismo: cuantos más se acumulan, más frágil se es. Trasladado a la historia clínica electrónica, esto se convierte en un índice de fragilidad electrónico (eFI).

El problema que aborda el artículo: los eFI existentes están calibrados sobre todo en personas mayores, se apoyan en datos estructurados (códigos diagnósticos) y un único ámbito asistencial. El eFI británico, el más desplegado, se basa en los Read Codes, un sistema de codificación propio del NHS difícil de trasladar a otros lugares, donde los diagnósticos suelen codificarse con la CIE (Clasificación Internacional de Enfermedades). Sobre todo, los datos estructurados captan mal lo que constituye la fragilidad en la vida cotidiana — movilidad, incontinencia, aislamiento, visión, audición — porque esa información vive en el texto libre de las notas clínicas, no en una lista de códigos.

El método

El equipo, con sede en la Universidad de Tampere (Finlandia) y coautores en Italia, Suecia, Australia y Hong Kong, construye su eFI a partir de la totalidad de los registros de una autoridad sanitaria finlandesa — el condado de Finlandia Central, unos 270 000 habitantes — durante 2010–2023. La población de análisis son 193 629 personas nacidas entre 1920 y 1975, de 35 a 103 años (edad media 62,0 años, desviación típica 13,6; 51,6 % mujeres).

El índice agrega 53 ítems ponderados por igual, cada uno codificado como presente o ausente: 34 diagnósticos CIE-10, 9 resultados de laboratorio y 10 déficits extraídos del texto libre por un modelo de NLP (procesamiento del lenguaje natural) de deep learning — caídas, incontinencia, soledad, limitaciones de movilidad, deterioro auditivo, deterioro visual, problemas neurocognitivos ligados a la edad, y necesidad de ayuda para el aseo, el vestido y la alimentación. El reconocimiento de entidades nombradas (NER, la detección automática de estas nociones en el texto) alcanza puntuaciones F1 (una media entre precisión y exhaustividad, de 0 a 1) de 0,74 a 0,92 según el ítem. El eFI se reescala de 0 a 100 (mediana 2,3). Unos umbrales determinados a partir de los datos (8, 15, 21) recortan cuatro categorías: no frágil, leve, moderado, grave.

Los desenlaces predichos son la mortalidad por cualquier causa (modelos de Cox, que estiman un riesgo relativo en el tiempo), las infecciones graves que requieren hospitalización y las fracturas (a 2 años), y el uso de la atención sanitaria. Los comparadores son el Hospital Frailty Risk Score (HFRS) y el índice de comorbilidad de Charlson (CCI), ambos basados en códigos. La validación se apoya en una partición interna 70/30 (entrenamiento/prueba) del mismo conjunto de datos.

Los resultados

En esta población, el 77,0 % se clasifica como no frágil, el 14,4 % leve, el 5,9 % moderado y el 2,7 % grave (5 260 personas). Las asociaciones son fuertes y graduadas. Para la mortalidad, el riesgo relativo (hazard ratio, HR) de los frágiles graves frente a los no frágiles alcanza 7,31 (intervalo de confianza del 95 %: 6,83–7,83); es de 2,14 para los leves y 3,97 para los moderados. Para las infecciones graves, el HR del grupo grave sube a 9,22 (8,52–9,98) — muy por encima del HR de 3,37 reportado en la categoría más frágil de un estudio del UK Biobank citado como comparación. Para las fracturas, HR 2,75 (2,52–3,01), con un C-index (la probabilidad de ordenar correctamente a dos pacientes por riesgo) de 0,62, comparable al FRAX (~0,61), la herramienta de referencia del riesgo de fractura. De forma continua, cada punto de eFI aumenta el riesgo de muerte en un 9 % (HR 1,09).

Un dato que los autores destacan: la fragilidad ya está presente en la mediana edad — fragilidad grave en el 2,0 % de los de 35–49 años y el 11,6 % de los de 50–64 años, frente al 35,1 % de los de 65–79 años y el 51,3 % de los de 80 años o más. Es el argumento central del título, «todo el espectro de la fragilidad». Los autores afirman que el eFI aporta «la mayor mejora de la discriminación» en todos los criterios, por delante del HFRS y el CCI. Sin embargo, un resultado desentona: para la probabilidad de usar la atención sanitaria, el odds ratio del grupo grave (3,15) es inferior al del grupo moderado (3,56) — una no monotonía que el artículo no discute.

Lo que está bien

Leer lo que los códigos descartan. La contribución real es extraer del texto libre diez déficits funcionales y sensoriales — movilidad, visión, audición, aislamiento, necesidad de ayuda para las actividades cotidianas — que los eFI construidos sobre códigos estructurados casi siempre pasan por alto. El NLP se sostiene (F1 de 0,74 a 0,92), y esos ítems son precisamente los que dan a la noción de fragilidad su sentido clínico.

Una escala y una ventana de edad poco comunes. 193 629 personas seguidas de 2010 a 2023, desde los 35 años, en un sistema público de cobertura universal que limita los sesgos de selección ligados al seguro. Extender la medición de la fragilidad a la mediana edad, y mostrar que ya está presente allí y asociada a los desenlaces, es un aporte real: la mayoría de los eFI se detienen en los mayores de 65 años.

Un anclaje clínico honesto. Los autores vinculan algunas cifras a referencias verificables — el C-index de fractura de 0,62 se sitúa explícitamente frente al FRAX (~0,61) — y muestran una gradación dosis-respuesta coherente a través de las categorías. La construcción del índice sigue criterios metodológicos establecidos para los índices de fragilidad, lo que la hace comparable con la literatura.

Lo que está menos bien

Un umbral calibrado sobre lo que predice. Es la limitación central, y atañe al data leakage por circularidad. Los límites de las categorías (8, 15, 21) se fijan «a partir del riesgo de mortalidad observado» en el conjunto de datos, y luego los mismos datos sirven para medir la asociación entre eFI y mortalidad. Se calibra la regla de corte sobre el propio objetivo que después se pretende predecir, lo que infla mecánicamente unos HR ya espectaculares (7,31 para la mortalidad, 9,22 para las infecciones). Una simple partición 70/30 no anula este sesgo si los umbrales se derivan sobre el conjunto de la muestra.

Un comparador en desventaja, y ninguna comparación eFI contra eFI. Es un comparador sesgado. Todo el artículo se construye contra las limitaciones del eFI británico — pero nunca lo pone a prueba. Los únicos comparadores son el HFRS, una puntuación diseñada para pacientes mayores hospitalizados y aplicada aquí a toda una población de 35 a 103 años, y el Charlson, un simple índice de comorbilidad. «Superar» a dos puntuaciones basadas en códigos usadas fuera de su marco original no demuestra que se supere a un eFI establecido.

Faltan las cifras que cuentan, y la validación es monocéntrica. Es a la vez una métrica engañosa y un sesgo de población. El cuerpo del artículo no da ninguna AUROC, ninguna curva de calibración, ningún recuento de eventos: la «mayor mejora de la discriminación» sigue siendo una afirmación cualitativa, con las cifras remitidas a los anexos. La validación es interna (partición 70/30), retrospectiva, sobre un único condado finlandés — población homogénea, casi exclusivamente blanca, sistema de atención nórdico — sin ninguna cohorte externa. La transferibilidad a otros países y sistemas de codificación se afirma pero nunca se demuestra. Por último, el modelo de NLP no se nombra, no se comparte ningún código, los datos están bajo acceso restringido, la licencia es no comercial y sin obras derivadas (CC BY-NC-ND), y se trata de un preprint no revisado por pares.

Lo que cambia

Para la comunidad de investigación, la señal útil no es «un HR de 9», es «el texto libre añade déficits funcionales que los códigos no ven». Es reutilizable — siempre que se nombre el modelo, se publique el código y, sobre todo, se valide la herramienta en externo. La lección metodológica es clara: cuando las categorías de riesgo se recortan sobre el propio desenlace que después se va a predecir, los cocientes de riesgo reportados sobrestiman el valor real; el único juez creíble sería una cohorte externa, con AUROC y calibración mostradas a la vista.

Para los clínicos, hoy nada es desplegable: una herramienta de investigación monocéntrica, no validada de forma prospectiva, no aprobada y pensada para un sistema de codificación finlandés. La idea de un panel de fragilidad que lea las notas para no perder nada de la vida cotidiana del paciente es creíble a medio plazo, en apoyo del geriatra, no en su lugar. Para los pacientes y el público general, importa el matiz: un «riesgo de muerte multiplicado por siete» describe una población recortada a partir de la propia mortalidad, no una predicción validada en otro lugar. Lo cual no resta nada al valor de detectar antes, ya en la cincuentena, una fragilidad que sigue estando ampliamente infradiagnosticada.

Para saber más

El preprint está disponible en medRxiv (10.64898/2026.06.23.26356323). Sobre la extracción de información a partir de las notas clínicas con modelos de lenguaje, véase nuestro decryptage de Genosolver, que lee los informes para diagnosticar enfermedades raras; sobre la validación externa de un modelo de riesgo y su pérdida de rendimiento fuera de su centro de origen, el de un modelo de riesgo de ictus a 10 años; y sobre la brecha entre el rendimiento anunciado y la validación en condiciones reales, el de una validación en mundo real de un modelo de adherencia.

Transparencia editorial: versión francesa redactada y firmada por la redacción de Tatakoto a partir de la lectura del preprint. Traducciones al inglés, español y chino producidas con asistencia de IA y revisadas.