Estado de la Salud Global

Lectura rápida de señales sanitarias globales

🫁
RespiratoriasVigilancia estacionalSeguimiento de influenza, COVID-19 y virus respiratorio sincitial.
💉
VacunaciónPrevención prioritariaImportancia de mantener actualizados los esquemas de inmunización.
🧠
Salud mentalAtención integralAcceso oportuno a servicios comunitarios de apoyo psicológico.
🥗
NutriciónCalidad alimentariaPrevención de carencias nutricionales y enfermedades metabólicas.
❤️
CrónicasDetección tempranaControl de factores de riesgo cardiovascular y metabólico.
⚠️
AlertasResistencia antimicrobianaUso responsable de antibióticos y vigilancia microbiológica.
🔬
InvestigaciónMedicina de precisiónDesarrollo de herramientas diagnósticas y terapias individualizadas.

Una nueva técnica revela daños renales invisibles al microscopio


Investigadores de la Facultad de Medicina de Harvard, en Estados Unidos, desarrollaron un sistema que combina microscopía Raman e inteligencia artificial para analizar proteínas, lípidos y agua en tejidos. En ratones, permitió identificar cambios microscópicos durante la lesión y reparación del riñón.


Redacción: Redacción Mundo de la Salud
Editor: Eduardo Schmitz


Un equipo de científicos de la Facultad de Medicina de Harvard, en Estados Unidos, ha desarrollado una tecnología de análisis de tejidos que permite observar características celulares difíciles de identificar mediante los procedimientos convencionales de histopatología. El sistema, denominado NoR-AI, combina una técnica de microscopía basada en la interacción de la luz con las moléculas y herramientas de inteligencia artificial para generar imágenes cuantitativas de proteínas, grasas y agua dentro de los tejidos biológicos.

La investigación fue publicada el 5 de noviembre de 2026 en la revista científica Proceedings of the National Academy of Sciences (PNAS). La universidad presentó los resultados el 13 de noviembre y destacó su posible utilidad para investigar enfermedades y procesos asociados con el envejecimiento.

En los experimentos, los investigadores utilizaron muestras de riñones de ratones para comprobar si la nueva tecnología podía identificar estructuras celulares y detectar modificaciones relacionadas con una lesión renal aguda.

Los resultados mostraron que el sistema podía distinguir diferentes tipos de túbulos renales y localizar alteraciones en la distribución de lípidos y proteínas durante el daño y la reparación del tejido.

Una característica destacada es que el procedimiento requiere una preparación mínima de las muestras y puede completarse en aproximadamente 30 minutos, frente a los varios días que pueden necesitar determinados procedimientos tradicionales de análisis histológico.

Sin embargo, la tecnología permanece en una etapa experimental. Los investigadores no han demostrado todavía que pueda sustituir las biopsias convencionales ni mejorar los diagnósticos clínicos en pacientes humanos.

La histopatología tradicional puede perder información importante

La histopatología es una disciplina fundamental para el diagnóstico de numerosas enfermedades. Consiste en examinar tejidos biológicos mediante microscopía para identificar alteraciones en la estructura de las células y su organización.

En hospitales y laboratorios especializados, esta técnica permite estudiar muestras obtenidas mediante biopsias, intervenciones quirúrgicas y otros procedimientos médicos.

Los patólogos utilizan las características microscópicas de los tejidos para reconocer procesos inflamatorios, lesiones celulares, alteraciones degenerativas y diferentes tipos de tumores.

Sin embargo, el procesamiento convencional de las muestras presenta limitaciones.

Para preparar determinados tejidos, los laboratorios emplean procedimientos de fijación, deshidratación, inclusión, corte y tinción que facilitan su observación.

Estas etapas pueden modificar algunas características originales del material biológico.

En particular, ciertos métodos de preparación eliminan una parte importante de los lípidos y otras sustancias solubles, lo que dificulta estudiar su distribución original dentro de las células.

Los lípidos son componentes esenciales de las membranas celulares y participan en procesos metabólicos, de señalización y almacenamiento energético.

Por tanto, perder información sobre estas moléculas puede limitar la comprensión de determinados mecanismos de enfermedad.

Los investigadores de Harvard buscaron desarrollar una alternativa que permitiera observar el tejido conservando información química que normalmente resulta difícil de obtener mediante las técnicas tradicionales.

Cómo funciona la combinación de microscopía Raman e inteligencia artificial

El nuevo sistema se denomina NoR-AI y combina dos componentes tecnológicos.

El primero es una técnica conocida como microscopía Raman normalizada, o NoRI, desarrollada previamente por investigadores del laboratorio de Marc Kirschner.

Este procedimiento utiliza dispersión Raman estimulada, un fenómeno físico relacionado con los cambios que experimenta la luz al interactuar con determinadas moléculas.

La respuesta óptica permite obtener información sobre la composición química del tejido examinado.

Mediante procesamiento computacional, NoRI corrige efectos de dispersión de la luz que pueden dificultar las mediciones cuantitativas.

El resultado es una representación de alta resolución que permite estimar la distribución de proteínas, lípidos y agua en regiones microscópicas.

El segundo componente consiste en una red neuronal convolucional, una arquitectura de inteligencia artificial diseñada para identificar patrones en imágenes.

El algoritmo analiza los datos generados por NoRI y reconoce diferencias entre estructuras celulares que pueden resultar difíciles de distinguir mediante otros procedimientos.

La combinación es importante porque las imágenes contienen información cuantitativa sobre la composición del tejido, no solamente diferencias visuales de color o forma.

En este sentido, NoR-AI pertenece a una línea de investigación que busca complementar la observación microscópica con análisis computacionales.

Un enfoque diferente, basado en imágenes radiológicas, ya había mostrado resultados experimentales en la clasificación de la agresividad de determinados sarcomas mediante inteligencia artificial.

Aunque ambas investigaciones utilizan algoritmos para interpretar información médica, sus aplicaciones son distintas: el sistema de Harvard estudia la composición microscópica de tejidos, mientras que el trabajo sobre sarcomas analizaba características extraídas de tomografías computarizadas.

Los científicos identificaron tres tipos de túbulos renales

Para comprobar las capacidades de la tecnología, los investigadores examinaron muestras de riñones de ratones.

El riñón contiene una organización compleja de estructuras microscópicas encargadas de filtrar la sangre y modificar la composición del líquido que finalmente se convierte en orina.

Entre esas estructuras se encuentran los túbulos renales, que participan en la reabsorción de agua y sustancias útiles, así como en la eliminación de determinados productos metabólicos.

Los distintos segmentos tubulares presentan características celulares y funciones diferentes.

Por ello, distinguirlos correctamente resulta importante para estudiar cómo se desarrolla una lesión renal.

Los investigadores comprobaron que la red neuronal podía identificar tres tipos diferentes de túbulos utilizando apenas dos o tres imágenes obtenidas mediante NoRI.

El sistema también permitió clasificar regiones anatómicas del riñón.

Además, consiguió distinguir el sexo de los ratones a partir de diferencias en la distribución de lípidos y proteínas dentro de los túbulos.

Este resultado no significa que el método haya sido desarrollado como una prueba para determinar el sexo de pacientes.

Su importancia experimental reside en demostrar que la composición química microscópica contiene información biológica suficientemente específica para ser reconocida mediante análisis automatizado.

Los investigadores consideran que esta capacidad puede facilitar estudios sobre diferencias celulares y metabólicas que pasan inadvertidas mediante procedimientos convencionales.

La lesión renal aguda permitió comprobar la utilidad del sistema

Una segunda fase de la investigación se concentró en la lesión renal aguda, una alteración caracterizada por una disminución rápida de la capacidad de los riñones para realizar sus funciones.

Esta condición puede aparecer durante infecciones graves, alteraciones circulatorias, exposición a determinadas sustancias o complicaciones de enfermedades sistémicas.

En los casos más graves, la lesión renal aguda puede provocar acumulación de productos de desecho, alteraciones de electrolitos y problemas para mantener el equilibrio de líquidos.

Los pacientes críticos pueden necesitar tratamientos de sustitución renal mientras se intenta recuperar la función del órgano.

La importancia clínica de estas complicaciones quedó reflejada en un ensayo realizado en Francia que comparó dos modalidades de tratamiento renal en cuidados intensivos.

El estudio de Harvard aborda una cuestión diferente: comprender qué ocurre dentro del tejido renal durante la lesión y su posterior reparación.

Para ello, los científicos utilizaron un modelo experimental de lesión renal aguda en ratones.

La investigación se desarrolló en colaboración con Joseph Bonventre, profesor de medicina de Harvard y especialista vinculado al Brigham and Women’s Hospital.

Los investigadores analizaron cómo cambiaban la organización y las concentraciones de lípidos y proteínas durante los 25 días posteriores a la lesión.

El procedimiento permitió observar modificaciones espaciales que no habían sido caracterizadas previamente con ese nivel de detalle.

Las grasas celulares cambiaron durante el daño y la reparación

Uno de los resultados más relevantes fue la identificación de cambios en la distribución de lípidos dentro de diferentes regiones del riñón.

El equipo observó que determinadas zonas perdían componentes lipídicos durante la evolución de la lesión, mientras que otras experimentaban aumentos posteriores.

La tecnología permitió cuantificar estas variaciones y relacionarlas con la organización microscópica del tejido.

Los investigadores también identificaron cambios en la distribución de proteínas durante el proceso de reparación.

Estas observaciones aportan información sobre la respuesta celular a una lesión, aunque todavía no establecen qué modificaciones son responsables directas del daño o de la recuperación.

La presencia de más o menos lípidos en una región puede reflejar distintos procesos biológicos.

Entre ellos se encuentran cambios metabólicos, modificaciones de membranas celulares, alteraciones estructurales y respuestas relacionadas con la inflamación.

Para determinar qué mecanismos participan en cada caso se necesitan investigaciones complementarias.

El sistema también puede distinguir entre diferentes clases de lípidos, incluidos colesterol, grasas saturadas e insaturadas.

Esta capacidad amplía las posibilidades de estudiar la relación entre composición química, función celular y enfermedad.

Sin embargo, los resultados obtenidos en riñones de ratones no permiten establecer automáticamente que los mismos patrones se reproduzcan en pacientes humanos con lesión renal aguda.

La preparación de las muestras podría reducirse considerablemente

Otra característica importante del nuevo método es el tiempo necesario para procesar y analizar el tejido.

Según la Facultad de Medicina de Harvard, el procedimiento puede completarse en aproximadamente 30 minutos y requiere poca o ninguna preparación previa de la muestra.

En comparación, determinadas técnicas histopatológicas convencionales necesitan varias etapas de procesamiento que pueden prolongarse durante días.

La reducción de pasos podría representar una ventaja para investigaciones que requieren analizar numerosas muestras o conservar características químicas sensibles al procesamiento.

No obstante, el tiempo comunicado corresponde al procedimiento experimental descrito por los investigadores.

No debe interpretarse como una garantía de que un hospital pueda obtener cualquier diagnóstico mediante NoR-AI en media hora.

El diagnóstico clínico depende de factores adicionales, como la obtención de la muestra, su adecuación, la interpretación especializada y la integración con los antecedentes del paciente.

También sería necesario evaluar el coste, la disponibilidad de equipos, la reproducibilidad de los resultados y los requisitos de control de calidad.

Por tanto, la rapidez constituye una característica técnica prometedora, pero todavía no demuestra una ventaja clínica validada frente a los procedimientos utilizados actualmente.

La técnica podría ampliar el estudio de diferentes enfermedades

Aunque los experimentos se concentraron en el riñón, los investigadores consideran que la tecnología podría utilizarse para examinar otros tejidos.

El equipo ya está explorando aplicaciones preclínicas relacionadas con cáncer de colon, hígado y próstata.

También planea ampliar sus investigaciones hacia la enfermedad renal diabética y otras alteraciones.

Estas aplicaciones permanecen en desarrollo y no representan pruebas diagnósticas disponibles para su utilización rutinaria.

La posibilidad de observar simultáneamente la distribución de proteínas y lípidos podría ayudar a identificar diferencias entre tejidos sanos y afectados por enfermedades.

En oncología, por ejemplo, las células tumorales pueden presentar modificaciones metabólicas que influyen en la utilización de nutrientes y en la composición de sus membranas.

Sin embargo, identificar una diferencia microscópica no equivale necesariamente a disponer de una prueba capaz de distinguir con suficiente sensibilidad y especificidad entre un tejido benigno y uno maligno.

La validación clínica requeriría comparar resultados con diagnósticos de referencia y estudiar muestras de pacientes representativos.

El interés por mejorar la observación de procesos biológicos también ha impulsado nuevas técnicas de imagen para estudiar cómo las células forman y remodelan el tejido óseo.

Aunque aquella investigación utilizó métodos diferentes, ambos trabajos muestran la importancia de desarrollar herramientas capaces de relacionar la estructura microscópica con la actividad metabólica de los tejidos.

Qué significa el descubrimiento para el diagnóstico médico

La principal contribución de NoR-AI es tecnológica y experimental.

El sistema demuestra que es posible combinar imágenes químicamente cuantitativas con aprendizaje automático para reconocer estructuras celulares y cambios asociados con una lesión.

Este enfoque podría aportar información complementaria a la histopatología convencional, especialmente en investigaciones donde la distribución de lípidos tiene importancia biológica.

Sin embargo, el estudio no incluyó un ensayo clínico destinado a comparar diagnósticos realizados mediante NoR-AI con los obtenidos por patólogos en pacientes humanos.

Tampoco estableció valores de sensibilidad, especificidad o precisión diagnóstica para enfermedades humanas concretas.

Por tanto, no sería correcto afirmar que la tecnología ya supera a la biopsia convencional o que permite diagnosticar cáncer y enfermedades renales con mayor exactitud.

La obtención de tejido mediante biopsia y el análisis posterior de esa muestra son procedimientos diferentes.

Una nueva técnica de microscopía puede modificar la forma de estudiar el material obtenido sin eliminar necesariamente la necesidad de realizar una biopsia.

Para incorporar NoR-AI a la práctica médica sería necesario demostrar su utilidad en muestras humanas, establecer protocolos reproducibles y comprobar que sus resultados aportan beneficios clínicos relevantes.

También habría que determinar cómo integrar la interpretación automatizada con la evaluación de los especialistas en anatomía patológica.

La inteligencia artificial necesita datos fiables para reconocer patrones

El funcionamiento de NoR-AI depende de la combinación entre la calidad de las imágenes y la capacidad de los algoritmos para reconocer diferencias.

Las redes neuronales convolucionales pueden aprender a identificar características visuales a partir de ejemplos utilizados durante su entrenamiento.

Sin embargo, su rendimiento depende de la representatividad de esos datos.

Un modelo entrenado con tejidos de ratones puede no funcionar de la misma manera cuando se aplica a muestras humanas.

También pueden aparecer diferencias relacionadas con la preparación del tejido, las condiciones de adquisición de imágenes o las características de los equipos.

Por ello, la aplicación clínica de este tipo de herramientas exige validaciones independientes.

Los investigadores deberán comprobar si los patrones identificados se mantienen en diferentes laboratorios y si el sistema puede distinguir cambios relacionados con enfermedades de variaciones biológicas normales.

Otro desafío consiste en explicar qué características químicas utiliza el algoritmo para realizar cada clasificación.

La interpretación biológica de los resultados resulta especialmente importante cuando se pretende relacionar una señal microscópica con decisiones médicas.

En este contexto, la inteligencia artificial debe considerarse una herramienta de análisis y no un sustituto automático del juicio clínico.

Una investigación desarrollada por Harvard y colaboradores

El estudio fue dirigido por investigadores del Instituto Blavatnik de la Facultad de Medicina de Harvard.

Entre sus principales responsables se encuentran Marc Kirschner, profesor de Biología de Sistemas; William Trim, investigador del laboratorio de Kirschner; y Seungeun Oh, quien participó en el desarrollo de la técnica NoRI y actualmente dirige su propio laboratorio en la Universidad de California en San Diego.

La investigación también contó con la colaboración de Joseph Bonventre, especialista en medicina renal del Brigham and Women’s Hospital.

El artículo científico lleva por título Normalized Raman imaging for studies of tissue physiology of the kidney.

Los autores combinaron métodos ópticos, análisis computacional y modelos experimentales de lesión renal para investigar cómo cambia la composición química de los tejidos.

El trabajo recibió financiación de los Institutos Nacionales de Salud de Estados Unidos.

La información institucional también señala que Kirschner y Oh poseen una patente relacionada con la tecnología de imagen Raman normalizada, un dato relevante para la transparencia sobre posibles intereses vinculados con su desarrollo.

El estudio abre nuevas posibilidades para investigar la reparación renal

Los resultados publicados en PNAS muestran que la composición química de los tejidos puede revelar diferencias que no siempre son evidentes mediante la observación microscópica convencional.

En los experimentos con ratones, NoR-AI permitió identificar estructuras renales y analizar cambios en la distribución de proteínas y lípidos durante los 25 días posteriores a una lesión.

La capacidad para obtener imágenes cuantitativas con una preparación mínima constituye una de las principales ventajas experimentales del procedimiento.

También ofrece una herramienta para estudiar cómo se reorganizan las células y sus componentes durante procesos de daño y reparación.

La investigación podría contribuir al desarrollo de métodos más detallados para examinar enfermedades renales y otras alteraciones tisulares.

Sin embargo, su aplicación diagnóstica todavía requiere estudios con muestras humanas, comparaciones con procedimientos establecidos y evaluaciones de reproducibilidad.

El trabajo, identificado con el DOI 10.1073/pnas.2626548123, representa un avance en las técnicas de investigación biomédica, pero no constituye por ahora una nueva prueba clínica disponible para pacientes.

Fuentes referenciales:
Harvard Medical School — AI-Assisted Imaging Method Advances 150-Year-Old Technique for Studying Tissue, 13 de noviembre de 2026
Proceedings of the National Academy of Sciences — Normalized Raman imaging for studies of tissue physiology of the kidney, 5 de noviembre de 2026