Predecir la falta de adherencia al tratamiento contra el VIH con machine learning: ¿cuánto vale una validación «real» sobre 192 732 registros multipaís? (medRxiv, 2026)

Un preprint publicado el 15 de mayo de 2026 en medRxiv valida modelos de machine learning sobre 192 732 registros clínicos de varios países, para predecir la falta de adherencia al tratamiento contra el VIH y cuantificar las «brechas» del recorrido asistencial. La discriminación, medida por validación temporal sobre pacientes futuros, alcanza un AUC de 0,772 (IC 95 %: 0,744–0,802), y el estudio documenta una demora mediana de 74 días entre diagnóstico e inicio del tratamiento, con un 47,3 % de pacientes que superan los 90 días. Es una demostración honesta y útil a gran escala, pero un AUC modesto, un criterio de adherencia cuya definición sigue siendo opaca en el resumen público y un modelo económico con supuestos sin detallar invitan a leer estas cifras por lo que son.

El contexto

El VIH se trata, con dos condiciones: ser diagnosticado pronto y tomar el tratamiento antirretroviral (TAR, la combinación de fármacos que bloquea la replicación del virus) sin interrupción. La adherencia — la regularidad con que un paciente toma realmente el tratamiento — es el nervio de la guerra: una toma irregular deja rebotar el virus, daña la inmunidad y favorece las resistencias. En los entornos de recursos limitados, donde vive la mayoría de las personas afectadas, persisten dos fracturas: se diagnostica demasiado tarde y se pierde a pacientes por el camino. ONUSIDA resume el objetivo con la cascada «95-95-95» (95 % de las personas diagnosticadas, 95 % de ellas en tratamiento, 95 % de ellas con carga viral suprimida).

La idea de usar machine learning para detectar de antemano a los pacientes con riesgo de abandono no es nueva, pero la mayoría de los trabajos anteriores se basaban en pequeñas cohortes de un solo centro, a menudo sin validación más allá del conjunto de entrenamiento. Este preprint destaca por su ambición de validación «en condiciones reales» y por la escala: 192 732 registros, varios países. Eso es precisamente lo que lo hace interesante de analizar — y lo que exige cautela sobre qué significa aquí «validación real».

El método

El trabajo es un preprint de medRxiv (2026.05.15.26353325, publicado el 15 de mayo de 2026, aún sin revisión por pares). Es un estudio retrospectivo sobre datos de rutina: se reutilizan registros ya existentes en lugar de reclutar pacientes para la ocasión. Se persiguen dos objetivos en paralelo: predecir la futura falta de adherencia y cuantificar las «brechas asistenciales» — las rupturas del recorrido (demoras, abandonos, presentaciones tardías).

En cuanto a los modelos, el resumen menciona en particular XGBoost, un algoritmo de árboles de decisión potenciados (boosting): combina cientos de árboles pequeños, cada uno corrigiendo los errores del anterior, y sigue siendo la herramienta de referencia para datos tabulares (columnas de variables como la edad, el recuento de CD4, las fechas de visita). La validación reivindicada es temporal: el modelo se prueba sobre pacientes futuros, posteriores al periodo de entrenamiento, y no sobre una muestra extraída al azar del mismo conjunto. Es la forma correcta de simular un despliegue real, en el que siempre se predice sobre pacientes aún no vistos.

Varios elementos decisivos no figuran en el resumen público y deberán verificarse en el texto completo: qué países exactamente, cuántos centros, cómo se define operativamente la «falta de adherencia» (¿medida de retiro en farmacia?, ¿carga viral?, ¿citas perdidas?), qué variables alimentan el modelo y si el código y los datos están disponibles. Estas zonas de sombra condicionan la interpretación de los resultados.

Los resultados

En validación temporal, el modelo alcanza un AUC de 0,772 (IC 95 %: 0,744–0,802). El AUC (área bajo la curva ROC) mide la capacidad de ordenar correctamente a dos pacientes tomados al azar, uno que abandonará y otro que no: 0,772 significa que se los ordena bien unas tres veces de cada cuatro. Es una discriminación moderada — honesta, pero lejos de los AUC de 0,95 o más anunciados en otros lugares, que a menudo se hunden en la primera validación seria.

El estudio también muestra una estabilidad tranquilizadora entre subgrupos: el AUC varía poco según el sexo, la edad, el nivel de CD4 y el estadio de la OMS, con una diferencia máxima de 0,051. Sobre todo, la parte de «brechas asistenciales» aporta cifras descriptivas valiosas: una demora mediana de 74 días entre diagnóstico e inicio del tratamiento, un 47,3 % de pacientes por encima de 90 días y un 36,7 % que se presenta con menos de 200 CD4 por microlitro — es decir, en un estadio de inmunodepresión avanzada. Un modelo económico proyecta, por último, un ahorro de base de 415 USD por paciente, esto es 2,07 millones de dólares para una cohorte de 5 000 pacientes.

Traducción clínica. Un AUC de 0,772 puede servir para priorizar — por ejemplo, decidir a quién llamar primero — pero no para decidir individualmente: a ese nivel de discriminación, muchos pacientes en riesgo serán pasados por alto y muchos etiquetados «en riesgo» no abandonarán. El resumen no da ni sensibilidad, ni especificidad, ni valor predictivo positivo a un umbral dado; por tanto no se puede convertir el AUC en número de falsos positivos y falsos negativos por cada 1 000 pacientes, que sería la única manera de juzgar una utilidad operativa. La cifra más elocuente no es el AUC: son los 74 días de demora y el 36,7 % diagnosticado demasiado tarde.

Lo que está bien

La escala y el carácter realmente multipaís de los datos. 192 732 registros clínicos de rutina, de varios países, es un orden de magnitud raro en la literatura ML-VIH, mucho tiempo dominada por cohortes de un solo centro de unos pocos miles de pacientes. Trabajar sobre datos de terreno, con su ruido y sus carencias, es más exigente y más pertinente que un conjunto limpio y homogéneo.

Una validación temporal, no un simple sorteo aleatorio. Probar sobre pacientes futuros es metodológicamente la disciplina correcta: es lo que más se acerca a un despliegue, y es exactamente el control que falta en muchos estudios de AUC espectaculares. Que el rendimiento se mantenga en el tiempo (0,772, IC estrecho) es más creíble que una puntuación perfecta sobre una partición aleatoria. Hicimos la misma distinción a propósito de un modelo de riesgo tromboembólico en nuestro análisis SHAP-SVM.

Honestidad con las cifras y un análisis de equidad. Reportar un AUC modesto de 0,772 en vez de un 0,99 demasiado bonito, comprobar la estabilidad entre subgrupos (diferencia máxima de 0,051 entre sexos, edades, CD4 y estadios de la OMS) y, sobre todo, cuantificar la «brecha asistencial» real (74 días, 47,3 %, 36,7 %): el estudio documenta un problema del sistema de salud en lugar de sobrevender un algoritmo. Es el espíritu más útil que cabe esperar de un trabajo así.

Lo que está menos bien

Un criterio de adherencia opaco — riesgo de métrica engañosa. El resumen público no dice cómo se define ni se mide la «falta de adherencia». Y todo depende de esa definición: si se apoya en una variable correlacionada con el desenlace pero registrada a posteriori, se expone a una fuga de información (el modelo «hace trampa» usando una señal que no estaría disponible en el momento de la predicción). Sin la definición exacta, sin calibración, sin sensibilidad/especificidad, el AUC de 0,772 no puede traducirse en utilidad clínica concreta.

«Multipaís» sin países nombrados — sesgo de población no evaluable. Se ignora de qué países proceden los 192 732 registros, así que no se puede juzgar la representatividad ni la transportabilidad del modelo de un sistema de salud a otro. Es el clásico sesgo de población: un modelo entrenado en ciertos contextos puede hundirse en otros, y la validación temporal no protege contra ese riesgo geográfico. No se reporta ninguna validación prospectiva (hacia adelante, en condiciones reales de atención) — solo un reanálisis de datos pasados.

Una economía proyectada frágil, un preprint sin revisar. Los «415 USD por paciente» y los «2,07 millones para 5 000 pacientes» se apoyan en un modelo cuyos supuestos no se detallan en el resumen: coste de una ruptura evitada, eficacia supuesta de la intervención desencadenada por el modelo, tasa de adopción. Una cifra así, atractiva para quien decide, debe manejarse con cautela mientras los supuestos no sean auditables. A ello se suma el estatus de preprint: aún sin revisión por pares, y disponibilidad del código y los datos no establecida en esta etapa.

Lo que cambia

Para la comunidad investigadora. El trabajo empuja en la dirección correcta: validar sobre pacientes futuros y a gran escala en lugar de optimizar un AUC de sala limpia. La contribución más duradera probablemente no sea el modelo predictivo en sí, sino la cuantificación de la brecha asistencial sobre casi 200 000 registros — material empírico para quien quiera focalizar las rupturas del recorrido. Queda publicar la definición de adherencia, los países y el código para hacerlo todo verificable.

Para los clínicos y los programas. Un modelo con AUC de 0,772 puede, en el mejor de los casos, ayudar a priorizar los recordatorios y el seguimiento estrecho donde los recursos escasean — no a decidir el destino de un paciente concreto. Pero el mensaje más accionable no es algorítmico: es que casi uno de cada dos pacientes espera más de 90 días para iniciar su tratamiento, y que un tercio llega ya en inmunodepresión avanzada. Son palancas de organización, no de IA.

Para los pacientes y el público. He aquí, por una vez, lo contrario de un anuncio inflado: una IA de rendimiento modesto pero honesto, útil sobre todo para medir un problema de sistema. El buen reflejo sigue siendo el mismo que frente a las puntuaciones deslumbrantes — mirar qué significa la cifra: aquí, un ahorro proyectado de millones de dólares depende de supuestos que no vemos, y es sobre ellos que habrá que volver. Ya insistíamos en la brecha entre datos y realidad clínica en nuestro análisis sobre los modelos de visión-lenguaje clínicos.

Para profundizar

El preprint: Real-World Validation of Machine Learning Models for HIV Treatment Adherence Prediction and Care Gap Quantification (medRxiv, 2026), DOI 10.64898/2026.05.15.26353325. Para el marco de salud pública, véase la cascada de atención del VIH descrita por ONUSIDA y la noción de tratamiento antirretroviral. Estado: preprint sin revisión por pares; los países, la definición de adherencia y la disponibilidad del código quedan por confirmar en el texto completo.