Proyecto Piloto de Predicción de Multirresistencia con IA — La Universidad Jamhuriya Prueba un Triaje por Bosque Aleatorio en los Hospitales de Mogadiscio

Somalia cuenta con una de las infraestructuras de vigilancia de la resistencia a los antimicrobianos (RAM) más frágiles del mundo, con una capacidad de laboratorio y una notificación de datos coherente aún en construcción a nivel nacional. Investigadores del Centro de Investigación sobre Resistencia a los Antimicrobianos de la Universidad Jamhuriya de Ciencias y Tecnología se propusieron comprobar si un modelo ligero de aprendizaje automático, entrenado únicamente con datos recogidos de forma rutinaria en el punto de atención, podía ayudar a identificar probables infecciones multirresistentes (MDR) en entornos sin capacidad genómica o de laboratorio avanzada.
A partir de un conjunto de 1.012 aislados bacterianos recogidos en centros de salud centinela de Mogadiscio entre septiembre de 2024 y enero de 2026, el equipo construyó un clasificador de bosque aleatorio sobre una cohorte analítica final de 262 aislados, utilizando únicamente la edad, el sexo, el tipo de organismo, la sala hospitalaria y el origen de la muestra como predictores de resistencia a cinco antibióticos centinela. En un conjunto de prueba de 51 aislados, el modelo alcanzó una exactitud global del 66,7% (IC 95%: 52,1-79,2%) y un AUC de 0,607. La sensibilidad fue alta, del 91,4%, captando la mayoría de los casos verdaderamente MDR, pero la especificidad fue de solo el 12,5% — el modelo clasificó incorrectamente como resistente a la gran mayoría de los aislados no resistentes.
Los autores afirman explícitamente que se trata de una "prueba de concepto preliminar" y no de una herramienta lista para su despliegue: la cohorte analítica representaba una cuarta parte del conjunto original, con una prevalencia de MDR aumentada por sesgo de selección (68,3% frente al 32,6% en el conjunto completo); el estudio se realizó en un único centro; y no se llevó a cabo validación externa, validación cruzada ni optimización de hiperparámetros. Evidoria incluye este caso como un ejemplo honesto y bien documentado de la distancia entre un proyecto piloto prometedor y una herramienta de salud pública fiable — útil precisamente porque muestra lo que aún hay que corregir antes de que una ayuda de triaje basada en IA pueda ser fiable en un entorno clínico de recursos limitados.