Investigadores de Mayo Clinic, en Estados Unidos, desarrollaron un modelo que acertó la composición de las piedras renales en el 73 % de los pacientes evaluados, frente al 33 % obtenido con un cálculo convencional. La herramienta utiliza información de pruebas urinarias habituales y podría ayudar cuando no se dispone del cálculo para analizarlo.
Redacción: Redacción Mundo de la Salud
Editor: Karem Díaz S.
Investigadores de Mayo Clinic, en Estados Unidos, han desarrollado y evaluado un modelo de inteligencia artificial capaz de predecir la composición de los cálculos renales mediante los resultados de un análisis de orina de 24 horas. La investigación, difundida el 12 de noviembre de 2026 y publicada en la revista científica Mayo Clinic Proceedings, encontró que el sistema identificó correctamente el tipo de cálculo en el 73 % de los pacientes evaluados, frente al 33 % conseguido mediante un método convencional basado únicamente en la sobresaturación urinaria.
El estudio plantea una nueva aplicación de la inteligencia artificial en medicina de laboratorio: aprovechar información que ya se obtiene durante la atención habitual para proporcionar una estimación más precisa de las características de una enfermedad.
La herramienta fue desarrollada utilizando datos de más de 13.000 pacientes y posteriormente evaluada con información de otros 1.653. Su objetivo es ayudar a los especialistas cuando no resulta posible recuperar una piedra renal para determinar directamente su composición.
Conocer los minerales que forman un cálculo puede orientar las decisiones médicas y las estrategias destinadas a reducir el riesgo de nuevos episodios. Sin embargo, el modelo todavía debe considerarse un instrumento complementario y no un sustituto del análisis directo del cálculo ni de la valoración clínica.
Por qué importa conocer la composición de una piedra renal
Los cálculos renales son depósitos sólidos que se forman cuando determinadas sustancias presentes en la orina alcanzan concentraciones que favorecen su cristalización y acumulación.
Estas estructuras pueden permanecer dentro del riñón o desplazarse hacia las vías urinarias. Cuando obstruyen el paso de la orina, pueden provocar dolor intenso, sangre en la orina y otras complicaciones.
No todos los cálculos tienen la misma composición. Los más frecuentes contienen oxalato de calcio, aunque también existen piedras formadas principalmente por fosfato de calcio, ácido úrico y otros componentes.
Esta diferencia tiene consecuencias clínicas porque las condiciones que favorecen la formación de cada tipo de cálculo no son necesariamente iguales.
En determinados pacientes, las alteraciones del metabolismo del calcio pueden aumentar el riesgo de cristalización. Por ejemplo, la hipercalcemia puede repercutir sobre la función renal y favorecer la formación de cálculos, aunque no todas las personas con piedras renales presentan concentraciones elevadas de calcio en sangre.
Identificar correctamente la composición permite investigar las causas metabólicas más probables y seleccionar medidas preventivas adaptadas a las características del paciente.
El procedimiento más directo consiste en analizar físicamente el cálculo después de que haya sido expulsado o retirado mediante una intervención.
El problema es que esa muestra no siempre está disponible.
Muchos pacientes no disponen de una piedra para analizar
Una persona puede expulsar un cálculo sin recuperarlo, especialmente cuando su tamaño es pequeño o cuando no se utilizan dispositivos para recogerlo.
En otras circunstancias, los fragmentos obtenidos durante determinados procedimientos tampoco llegan a un laboratorio para su análisis.
Cuando esto ocurre, los médicos deben recurrir a antecedentes clínicos, pruebas de imagen y estudios bioquímicos para estimar qué tipo de cálculo podría haberse formado.
Patrick Day, autor principal sénior del estudio e investigador del Departamento de Medicina de Laboratorio y Patología de Mayo Clinic, explicó que la ausencia de una muestra física obliga con frecuencia a tomar decisiones con información incompleta.
La nueva herramienta pretende aprovechar mejor los datos disponibles en estas situaciones.
El modelo no identifica directamente los minerales dentro de una piedra. Lo que hace es calcular cuál es su composición más probable a partir de patrones presentes en los resultados del análisis urinario y otras características del paciente.
Esta distinción es importante: se trata de una predicción estadística, no de una medición física del cálculo.
Cómo funciona el análisis de orina de 24 horas
El análisis de orina de 24 horas es una prueba utilizada para investigar alteraciones metabólicas relacionadas con la formación recurrente de cálculos renales.
Durante un día completo, el paciente recoge la orina siguiendo las instrucciones del laboratorio. Posteriormente, se estudian diferentes componentes y características de la muestra.
Entre las mediciones que pueden formar parte de este tipo de evaluación se encuentran el volumen urinario, el calcio, el oxalato, el citrato, el ácido úrico y otras sustancias relacionadas con la cristalización.
También pueden calcularse índices de sobresaturación, que permiten estimar hasta qué punto las condiciones químicas de la orina favorecen la formación de determinados cristales.
Estos resultados ayudan a identificar factores de riesgo y a orientar medidas preventivas, pero su interpretación puede ser compleja.
Una misma muestra contiene numerosas mediciones y las relaciones entre ellas no siempre son evidentes cuando se consideran por separado.
Los investigadores de Mayo Clinic plantearon que un sistema de inteligencia artificial podía analizar conjuntamente esos datos e identificar combinaciones relacionadas con diferentes composiciones de cálculos.
El interés de utilizar una prueba ya establecida también reside en que no sería necesario desarrollar desde cero un procedimiento completamente diferente para recoger las muestras.
La interpretación de la orina como fuente de información sanitaria ya tiene aplicaciones diversas. Sin embargo, los cambios visibles en el color o aspecto de la orina no permiten identificar por sí solos la composición de un cálculo, por lo que deben distinguirse de las mediciones bioquímicas realizadas en el laboratorio.
El modelo se desarrolló con datos de más de 13.000 pacientes
La investigación fue encabezada por Eric B. Lantz, analista sénior de ciencia de datos del Departamento de Medicina de Laboratorio y Patología de Mayo Clinic.
Para construir el modelo, el equipo utilizó información de más de 13.000 pacientes, incluidas variables como edad, sexo y resultados de pruebas urinarias de 24 horas.
Mediante técnicas de inteligencia artificial, el sistema aprendió a reconocer patrones asociados con diferentes tipos de cálculos renales.
Posteriormente, los investigadores evaluaron su funcionamiento utilizando datos de otros 1.653 pacientes.
Esta segunda evaluación permitió comprobar el rendimiento del modelo en un conjunto de datos diferente del utilizado para desarrollarlo.
Los resultados se compararon con los obtenidos mediante un cálculo convencional basado en la sobresaturación urinaria.
El objetivo era determinar si analizar simultáneamente numerosas variables proporcionaba información más útil que emplear únicamente el indicador químico convencional.
La inteligencia artificial alcanzó un 73 % de aciertos
En la evaluación realizada por los investigadores, el modelo identificó correctamente la composición de los cálculos renales en el 73 % de los pacientes.
El procedimiento convencional utilizado como comparación acertó en el 33 %.
La diferencia fue de 40 puntos porcentuales a favor de la inteligencia artificial.
Los investigadores también examinaron el funcionamiento del modelo en distintos grupos de edad y sexo, y encontraron que mantenía un mejor rendimiento que el método convencional de comparación.
Estos resultados sugieren que las relaciones entre las diferentes mediciones urinarias contienen información relevante que puede pasar desapercibida cuando se interpreta cada variable de forma aislada.
Sin embargo, un 73 % de aciertos también significa que aproximadamente uno de cada cuatro resultados no coincidió con la composición real del cálculo en la evaluación realizada.
Por tanto, la herramienta no ofrece una identificación infalible y sus predicciones deben interpretarse junto con los demás datos clínicos.
La investigación tampoco demuestra que utilizar el modelo reduzca automáticamente la recurrencia de los cálculos, las intervenciones quirúrgicas o las complicaciones renales.
Esos posibles beneficios necesitarían estudios adicionales que evaluaran su influencia sobre las decisiones médicas y los resultados de los pacientes.
La composición del cálculo ayuda a personalizar la prevención
Los cálculos renales pueden aparecer por combinaciones diferentes de factores metabólicos, ambientales y clínicos.
En algunos pacientes predominan alteraciones relacionadas con el calcio o el oxalato; en otros, las condiciones de acidez urinaria pueden favorecer determinados tipos de piedras.
La composición permite orientar la investigación de esos mecanismos y adaptar las recomendaciones preventivas.
Por ejemplo, el tratamiento y la prevención de cálculos de ácido úrico pueden requerir estrategias diferentes de las utilizadas frente a cálculos de oxalato de calcio.
También existen investigaciones sobre factores menos conocidos que podrían participar en su formación. Un estudio sobre la presencia de estructuras bacterianas en cálculos de oxalato cálcico examinó la posible contribución de microorganismos a su desarrollo.
La investigación de Mayo Clinic aborda una cuestión distinta: no intenta explicar cómo se originan los cálculos, sino mejorar la estimación de su composición cuando no se dispone de una muestra física.
Esta información podría ayudar a seleccionar evaluaciones metabólicas y medidas de seguimiento más ajustadas a las características de cada paciente.
Una herramienta complementaria para la atención urológica
Los autores consideran que el modelo puede ofrecer una fuente adicional de información para los médicos y los laboratorios clínicos.
Su principal ventaja potencial consiste en extraer mayor valor de pruebas que ya forman parte de la atención de numerosos pacientes con litiasis renal.
Esto no significa que el análisis de orina de 24 horas vaya a reemplazar todas las pruebas utilizadas actualmente.
Las imágenes diagnósticas, la evaluación de síntomas, los antecedentes de episodios anteriores y el análisis directo de los cálculos siguen desempeñando funciones diferentes.
La predicción de la composición tampoco permite determinar por sí sola si un cálculo está causando una obstrucción, si requiere extracción o si existe una infección asociada.
Las decisiones terapéuticas deben considerar el tamaño y la localización de las piedras, el estado del paciente y la presencia de complicaciones.
En ese contexto, los estudios comparativos sobre intervenciones para cálculos renales en niños y adolescentes han mostrado la importancia de evaluar diferentes procedimientos según las características de las piedras y los resultados que experimentan los pacientes.
El modelo desarrollado por Mayo Clinic podría complementar este tipo de atención, pero no determina por sí mismo qué intervención debe realizarse.
Los investigadores deberán comprobar su utilidad en la práctica clínica
El estudio demuestra que un modelo de inteligencia artificial puede superar a un cálculo convencional específico al estimar la composición de los cálculos renales a partir de información urinaria.
No obstante, antes de incorporar una herramienta de este tipo de manera generalizada será necesario comprobar su funcionamiento en otros hospitales, laboratorios y poblaciones.
También deberá determinarse cómo influyen las diferencias entre procedimientos de laboratorio, características de los pacientes y tipos de cálculos sobre la precisión de las predicciones.
Otro aspecto importante será evaluar si proporcionar esta información adicional modifica de forma beneficiosa las decisiones de prevención y tratamiento.
Un sistema puede mejorar la precisión de una predicción sin que ello implique necesariamente una mejora demostrada en los resultados sanitarios.
Por esa razón, la validación analítica y la evaluación clínica representan etapas distintas del desarrollo de una tecnología médica.
Los investigadores presentan su modelo como una ayuda para interpretar los análisis existentes, no como una alternativa definitiva al estudio de los cálculos recuperados.
La inteligencia artificial aprovecha información que ya existe
Eric B. Lantz destacó que los análisis de laboratorio contienen información no solamente en sus resultados individuales, sino también en las relaciones entre las diferentes mediciones.
La inteligencia artificial puede identificar patrones complejos que resultan difíciles de reconocer mediante cálculos convencionales.
Esta capacidad constituye el fundamento de la investigación desarrollada en Mayo Clinic.
El trabajo no introduce una nueva sustancia diagnóstica ni requiere identificar un biomarcador desconocido. Su aportación consiste en procesar de otra manera información clínica que ya se obtiene habitualmente.
Desde el punto de vista de los laboratorios, este enfoque podría permitir aprovechar mejor los datos disponibles sin modificar necesariamente el procedimiento de recogida de muestras.
Sin embargo, cualquier implementación deberá garantizar que los resultados sean interpretables, que el modelo funcione de forma consistente y que los profesionales conozcan sus limitaciones.
La precisión de una predicción también depende de la calidad de los datos introducidos, por lo que una muestra incompleta o unas mediciones inadecuadas pueden afectar su utilidad.
Un estudio publicado en Mayo Clinic Proceedings
La investigación se publicó en Mayo Clinic Proceedings con el título A Validated Artificial Intelligence Model Versus Urinary Supersaturation Alone for Predicting Kidney Stone Composition.
El trabajo fue firmado por Eric B. Lantz y colaboradores, con Patrick Day como autor sénior, y se identifica mediante el DOI 10.1016/j.mayocp.2026.06.027.
Los resultados fueron difundidos por Mayo Clinic el 12 de noviembre de 2026.
La principal conclusión es que un modelo de inteligencia artificial desarrollado a partir de datos clínicos y análisis urinarios puede estimar la composición de los cálculos renales con una precisión considerablemente superior a la del cálculo convencional utilizado como referencia en el estudio.
La herramienta podría resultar especialmente útil cuando no se dispone de una piedra renal para su análisis, una circunstancia que limita la información disponible para numerosos pacientes.
Su posible incorporación a la práctica médica dependerá de nuevas evaluaciones que confirmen su rendimiento y determinen si ayuda a mejorar las decisiones clínicas y la prevención de episodios recurrentes.
Fuentes referenciales:
Mayo Clinic Proceedings — A Validated Artificial Intelligence Model Versus Urinary Supersaturation Alone for Predicting Kidney Stone Composition (2026)
Mayo Clinic — Comunicado científico sobre la predicción de la composición de cálculos renales mediante inteligencia artificial, 12 de noviembre de 2026
