OBSCORE, un modelo basado en aprendizaje automático, permite estratificar a personas con sobrepeso u obesidad según su riesgo de desarrollar complicaciones relacionadas con obesidad, complementando los criterios basados solo en IMC.
En un estudio poblacional publicado en Nature Medicine, se desarrolló una herramienta de predicción de riesgo diseñada para identificar a personas con IMC ≥27 kg/m² con mayor probabilidad de presentar complicaciones asociadas con obesidad. El modelo se construyó a partir de casi 200,000 participantes del UK Biobank e integró más de 2,300 variables iniciales, de las cuales seleccionó 20 parámetros clínicos con mayor capacidad predictiva.
El análisis incluyó adultos con sobrepeso u obesidad, con una mediana de edad de 58 años. El objetivo fue predecir la aparición a 10 años de 18 desenlaces relacionados con obesidad, incluyendo complicaciones cardiovasculares, metabólicas y mecánicas, además de mortalidad cardiovascular. Durante el seguimiento, la artropatía fue el desenlace más frecuente, seguida de hipertensión, también se registraron más de 9,000 muertes en el periodo evaluado.
OBSCORE logró estratificar a los individuos en distintos grupos de riesgo, aportando información adicional al IMC. Por ejemplo, la incidencia estimada de mortalidad cardiovascular a 10 años varió de 5.7% en el grupo de mayor riesgo a 0.1% en el grupo de menor riesgo. El modelo también mostró capacidad de generalización en cohortes independientes de ascendencia europea y no europea. Además, en participantes del estudio SURMOUNT-1, la pérdida de peso con tirzepatida fue similar entre los distintos grupos de riesgo basal, mientras que el riesgo predicho disminuyó después del tratamiento.
Estos hallazgos apoyan una visión más precisa del manejo de la obesidad: no todas las personas con el mismo IMC tienen el mismo riesgo clínico. Herramientas como OBSCORE podrían ayudar a priorizar intervenciones farmacológicas, nutricionales, conductuales o quirúrgicas en quienes tienen mayor probabilidad de desarrollar complicaciones, favoreciendo una asignación más racional de recursos y una toma de decisiones más personalizada.
Fuente:
1. Demircan, K., Carrasco-Zanini, J., Williamson, A. et al. Data-driven prioritization of high-risk individuals for weight loss interventions. Nat Med (2026).
