Un ensayo clínico aleatorizado realizado en Estados Unidos con 1.960 pacientes demuestra que una herramienta integrada en las historias médicas puede acelerar la identificación de enfermedades autoinmunes y el acceso a especialistas.
Redacción: Redacción Mundo de la Salud
Editor: Karem Díaz S.
Investigadores de la Universidad Johns Hopkins y del Centro Médico de la Universidad Vanderbilt, en Estados Unidos, han demostrado que una herramienta de inteligencia artificial puede reducir considerablemente el tiempo necesario para diagnosticar determinadas enfermedades autoinmunes. En un ensayo clínico aleatorizado, los pacientes atendidos con apoyo del sistema recibieron un diagnóstico en una mediana de 43 días, frente a los 138 días registrados en el grupo de atención habitual.
Los resultados fueron publicados el 6 de noviembre de 2026 en la revista científica NEJM AI, perteneciente a la familia editorial del New England Journal of Medicine. La investigación evaluó una herramienta denominada AURA, diseñada para identificar pacientes con mayor riesgo de enfermedades autoinmunes sistémicas y facilitar su derivación temprana a especialistas en reumatología.
La principal novedad no consiste únicamente en desarrollar un algoritmo capaz de calcular riesgos médicos. Los investigadores comprobaron mediante un ensayo prospectivo y aleatorizado que incorporar sus alertas al funcionamiento cotidiano de un hospital puede acelerar determinadas decisiones clínicas.
Un ensayo clínico con 1.960 pacientes
El estudio se desarrolló en el sistema sanitario de Vanderbilt, utilizando la plataforma de historias clínicas electrónicas Epic. La evaluación abarcó el periodo comprendido entre el 20 de junio de 2023 y el 9 de marzo de 2025.
Los investigadores distribuyeron aleatoriamente a 1.960 participantes en dos grupos. En el primero, integrado por 954 pacientes, el sistema AURA podía comunicar sus evaluaciones de riesgo a los profesionales responsables cuando se identificaban determinados resultados positivos en las pruebas de laboratorio.
Los otros 1.006 participantes formaron el grupo de control. En estos pacientes también se calcularon las puntuaciones de riesgo, pero los resultados no se comunicaron de manera proactiva al equipo médico.
Todos los participantes continuaron recibiendo atención sanitaria convencional. Los médicos conservaron la responsabilidad de decidir cuándo solicitar una evaluación especializada y qué procedimientos diagnósticos resultaban necesarios.
La diferencia fundamental fue que, en el grupo de intervención, los profesionales podían recibir una alerta automática cuando el sistema identificaba un riesgo elevado de enfermedad autoinmune.
Cómo funciona AURA para identificar pacientes de alto riesgo
AURA, acrónimo de AUtoimmune Risk Assessment, es un modelo de evaluación del riesgo autoinmune que utiliza información ya disponible en los registros sanitarios.
El sistema analiza variables como la edad, el sexo, determinados resultados de laboratorio, el recuento de plaquetas, antecedentes diagnósticos y los niveles de anticuerpos antinucleares, conocidos como ANA.
Estos anticuerpos suelen investigarse cuando existe sospecha de enfermedades autoinmunes. Sin embargo, obtener un resultado positivo no significa necesariamente que una persona padezca una de estas enfermedades.
Algunas personas sanas pueden presentar anticuerpos antinucleares, mientras que determinadas infecciones y otras condiciones médicas también pueden producir resultados positivos.
Por esa razón, los investigadores desarrollaron un sistema que combina distintos indicadores para estimar la probabilidad de desarrollar una enfermedad autoinmune sistémica durante los siguientes diez años.
Cuando la estimación supera el 20 % y se cumplen las condiciones previstas, AURA puede identificar al paciente como de alto riesgo y generar una notificación destinada al médico responsable.
La herramienta no establece por sí misma un diagnóstico definitivo. Su función consiste en ayudar a seleccionar qué pacientes podrían necesitar una evaluación reumatológica más rápida.
La dificultad de reconocer estas patologías se relaciona con la diversidad de sus manifestaciones clínicas. Las enfermedades autoinmunes y sus mecanismos de desarrollo constituyen un campo de investigación complejo, en el que intervienen factores inmunológicos, genéticos y ambientales.
El tiempo hasta el diagnóstico se redujo en 95 días
La diferencia más destacada del ensayo apareció al comparar el tiempo transcurrido hasta obtener un diagnóstico de enfermedad autoinmune.
Entre los pacientes diagnosticados, la mediana fue de 43 días en el grupo cuyos médicos recibían las alertas del sistema, frente a 138 días en el grupo de atención convencional.
La diferencia equivale a 95 días menos y representa una reducción aproximada del 69 % en el tiempo mediano observado.
Este resultado indica que el sistema consiguió acelerar el proceso diagnóstico en el entorno clínico estudiado. No significa que todos los pacientes fueran diagnosticados en 43 días ni que la herramienta identificara correctamente todas las enfermedades autoinmunes.
Los investigadores también analizaron los diagnósticos establecidos entre las personas evaluadas por reumatología durante los seis meses posteriores a una prueba ANA positiva.
En ese grupo, el 23 % de los pacientes de la intervención recibió un diagnóstico de enfermedad autoinmune, frente al 16 % de los participantes del grupo de control que fueron evaluados por especialistas.
Además, de los 270 pacientes clasificados como de alto riesgo dentro del grupo de intervención, 203 acudieron a una consulta reumatológica, equivalentes al 75 %.
Los resultados sugieren que la clasificación automatizada puede contribuir a orientar las derivaciones hacia pacientes con mayor probabilidad de presentar una enfermedad que requiere atención especializada.
Por qué resulta importante detectar antes estas enfermedades
Las enfermedades autoinmunes aparecen cuando el sistema inmunitario desarrolla respuestas dirigidas contra componentes del propio organismo. Dependiendo de la enfermedad, pueden resultar afectados las articulaciones, la piel, los vasos sanguíneos, los riñones y otros órganos.
Algunas patologías sistémicas presentan síntomas inespecíficos durante sus primeras etapas. Fatiga, dolor articular, inflamación y alteraciones en los análisis pueden aparecer en numerosas condiciones, lo que dificulta establecer rápidamente un diagnóstico.
En determinadas enfermedades, retrasar el reconocimiento del problema puede permitir que continúe la inflamación y aumente el riesgo de daño orgánico.
La artritis reumatoide constituye un ejemplo de enfermedad autoinmune en la que la identificación de la actividad inflamatoria y el acceso al tratamiento son especialmente importantes. Investigaciones recientes también han explorado nuevas terapias celulares para pacientes con artritis reumatoide grave que no responden adecuadamente a los tratamientos disponibles.
La nueva investigación de Johns Hopkins y Vanderbilt aborda una etapa anterior del proceso asistencial: reconocer qué pacientes necesitan una valoración especializada antes de que se prolongue innecesariamente la incertidumbre diagnóstica.
Los investigadores consideran que esta estrategia puede resultar particularmente útil en sistemas sanitarios donde existe escasez de especialistas en reumatología.
Una inteligencia artificial integrada en la atención médica
Una característica relevante del proyecto es que AURA no fue evaluado únicamente mediante simulaciones informáticas o conjuntos retrospectivos de datos.
El algoritmo se incorporó al funcionamiento real de las historias clínicas electrónicas y sus notificaciones pudieron influir en el proceso de derivación de pacientes.
Cuando una persona era identificada como de alto riesgo, el sistema ofrecía al médico la posibilidad de solicitar una evaluación acelerada en la consulta de reumatología.
De esta manera, el modelo no reemplazaba al profesional sanitario, sino que añadía información para apoyar una decisión clínica concreta.
Este enfoque se diferencia de otras aplicaciones de inteligencia artificial centradas principalmente en reconocer patrones diagnósticos. Por ejemplo, investigaciones anteriores han estudiado sistemas capaces de analizar historias médicas y pruebas clínicas para identificar enfermedades infantiles.
En el ensayo AURA, la cuestión central fue comprobar si una herramienta predictiva podía modificar de forma medible los tiempos de atención dentro de un hospital.
Daniel W. Byrne, investigador de Johns Hopkins y uno de los autores principales del trabajo, destacó la importancia de someter estos sistemas a evaluaciones clínicas rigurosas antes de considerar su incorporación generalizada a la asistencia sanitaria.
Qué limitaciones presenta la investigación
Aunque los resultados muestran una reducción importante del tiempo diagnóstico, el estudio presenta limitaciones que deben considerarse.
En primer lugar, el ensayo se desarrolló dentro de un sistema sanitario específico de Estados Unidos. Su funcionamiento y sus resultados podrían variar en hospitales con diferentes recursos, poblaciones de pacientes, protocolos de derivación y disponibilidad de especialistas.
En segundo lugar, el modelo se activaba a partir de pruebas positivas de anticuerpos antinucleares. Por tanto, sus resultados no pueden extrapolarse automáticamente a todas las enfermedades autoinmunes ni a pacientes que no presentan ese marcador.
La investigación tampoco demuestra que utilizar AURA reduzca la mortalidad, evite lesiones orgánicas permanentes o mejore la calidad de vida a largo plazo.
El resultado comprobado es una aceleración del proceso diagnóstico entre los pacientes estudiados. Determinar si esa reducción se traduce en mejores resultados clínicos requerirá investigaciones adicionales.
También será necesario evaluar posibles diferencias de rendimiento entre grupos de población y comprobar que las alertas automatizadas no produzcan derivaciones innecesarias o una sobrecarga de los servicios especializados.
Los investigadores preparan nuevas aplicaciones clínicas
El equipo científico ha puesto el modelo a disposición de otros investigadores mediante código abierto, con el propósito de facilitar validaciones independientes y nuevos ensayos clínicos.
Esta decisión permitirá estudiar si el sistema mantiene su rendimiento cuando se utiliza en hospitales distintos al que participó en la investigación original.
Los investigadores también trabajan en otras aplicaciones de inteligencia artificial destinadas a identificar pacientes con riesgo elevado de complicaciones médicas.
Entre los proyectos mencionados se encuentra una herramienta para detectar mujeres con mayor riesgo de hemorragia posparto, cuya evaluación clínica estaba prevista para concluir durante 2026.
En el caso de AURA, la aportación principal es haber demostrado mediante un ensayo aleatorizado que una herramienta de evaluación automatizada puede contribuir a reducir los retrasos diagnósticos de determinadas enfermedades autoinmunes.
Su posible incorporación a otros sistemas sanitarios dependerá de nuevas validaciones, de la supervisión de los profesionales médicos y de la comprobación de que las mejoras observadas en los tiempos de atención también benefician la evolución clínica de los pacientes.
Fuentes referenciales: Universidad Johns Hopkins — AI Tool Identifies People at High Risk for Autoimmune Disease and Speeds Time to Diagnosis (6 de noviembre de 2026) NEJM AI — Randomized Evaluation of an Autoimmune Disease Prediction Model: AURA (2026)
