La enfermedad pulmonar obstructiva crónica (EPOC) sigue siendo una de las principales cargas de salud a nivel mundial. Abstracto de estudio publicado en JMIR Med Inform 2025;13:e74932. doi:10.2196/74932

En atención primaria, la disponibilidad inconsistente de espirometría y puntuaciones de síntomas limita la detección de pacientes con un mal control de la enfermedad. Existe una necesidad apremiante de herramientas escalables basadas en datos que aprovechen la información clínica recopilada de forma rutinaria para respaldar intervenciones oportunas, equitativas y acordes con las guías.

Este estudio tiene como objetivo validar el rendimiento de Seleida, un modelo totalmente automatizado, determinista y biyectivo para la evaluación del control y la fenotipificación de la EPOC, utilizando datos reales de atención primaria y evaluar su viabilidad para la integración en sistemas informáticos basados ​​en registros electrónicos de salud (EHR).

Métodos
Seleida estima la probabilidad de un mal control ( Pr ) utilizando dos variables objetivas de la HCE: (1) dispensaciones anuales de broncodilatadores de acción corta, específicamente agonistas β2 de acción corta (SABA), antagonistas muscarínicos de acción corta (SAMA) o ambos, y (2) número de ciclos de antibióticos dispensados ​​para exacerbaciones de bronquitis o EPOC. Su estructura biyectiva admite tanto la estimación del riesgo hacia adelante como la inferencia del fenotipo inverso. En una cohorte retrospectiva de 106 pacientes, se evaluó la concordancia entre 2 sistemas de fenotipado (un modelo de 126 combinaciones y una versión simplificada de 21 combinaciones) y con las clasificaciones asignadas por el médico. Debido a las limitaciones del tamaño de la muestra, se adoptó un umbral de riesgo provisional de Pr >0,50 para la estratificación interna.

Resultados
Seleida mostró una concordancia perfecta entre los sistemas de fenotipado (κ de Cohen = 1,00; P < 0,001) y una concordancia sustancial con los perfiles asignados por los médicos (κ de Cohen = 0,70; P < 0,001). El modelo funciona de forma transparente, sin aprendizaje automático, y puede integrarse en plataformas de HCE o aplicarse manualmente mediante un marco visual. Permite la estimación individualizada del riesgo, la planificación del tratamiento basada en el fenotipo y la identificación de casos a nivel poblacional, especialmente en entornos con acceso limitado a las herramientas de diagnóstico tradicionales.

Conclusiones
Seleida proporciona un marco reproducible e interpretable para el control de la EPOC mediante datos de prescripción de alta frecuencia. Su lógica transparente, su baja carga de datos y su interoperabilidad permiten la integración en diversas infraestructuras digitales, incluidos entornos con recursos limitados. Al respaldar tanto la atención individualizada como la estratificación del riesgo a nivel poblacional, Seleida vincula el análisis predictivo con la toma de decisiones clínicas en el mundo real. La validación multicéntrica en curso determinará su generalización, su impacto clínico y su rentabilidad a escala.

Accede al artículo completo en https://medinform.jmir.org/2025/1/e74932