Por Mauro Rodríguez-Marín y Luis Gustavo Orozco-Alatorre
Cuando Camila tenía siete años, sus padres notaron que seguía siendo la más bajita del salón. “Es normal, ya crecerá”, les decían. Sin embargo, algo no cuadraba. Tras meses de espera para ver a un especialista, obtuvieron un diagnóstico de retraso del crecimiento que pudo haberse detectado antes.
Esta historia —que ocurre todos los días en muchos hogares— inspiró el desarrollo de una herramienta que combina inteligencia artificial, datos clínicos abiertos y atención pediátrica.
A través de la investigación Avances en la evaluación del crecimiento pediátrico con aprendizaje automático: Superando los desafíos del diagnóstico y la monitorización temprana, se analizó un conjunto de datos biométricos y demográficos provenientes de instituciones públicas, con el objetivo de desarrollar un modelo de regresión logística que permite identificar desviaciones en el crecimiento infantil de forma precisa, rápida y comprensible.
En el caso hipotético de Camila, a quien desde los siete años se le sospechaba un trastorno del crecimiento que tardó en confirmarse, la herramienta mencionada en el estudio permitiría un diagnóstico mucho más rápido.
Modelo predictivo del crecimiento
Las herramientas de regresión logística están basadas en el aprendizaje automático, y su ventaja es que proporcionan resultados categóricos interpretables —como la presencia o ausencia de algún riesgo—, lo que facilita su integración en entornos clínicos y educativos, y contribuye a una detección más oportuna de posibles trastornos del desarrollo.
Gracias a su capacidad para identificar factores de riesgo de manera temprana, esta herramienta ya es utilizada ampliamente en investigaciones médicas.
En nuestro proyecto, empleamos esta herramienta como base para desarrollar un modelo que predice y contribuye a la detección oportuna de señales de alerta clínica por parte de los profesionales de la salud.
De esta forma, el modelo propuesto nos permite detectar desviaciones en la estatura infantil con una precisión del 94.65%, pues a diferencia de otros métodos que predicen valores numéricos, este enfoque entrega resultados categóricos (por ejemplo: “sí o no”, “positivo o negativo”) a partir de variables como edad, peso, estatura o antecedentes del paciente.
Además, este modelo es explicativo, porque también permite interpretar cuáles de estas variables influyen más en la probabilidad de una desviación en el crecimiento.
Cabe destacar que, aunque no diagnostica un trastorno específico, este modelo genera una alerta comprensible y clínicamente útil, señalando cuando un niño o niña podría estar fuera del rango esperado, lo que orienta al médico hacia una evaluación más detallada.
Este enfoque explicativo marca una diferencia clave respecto a otros algoritmos más complejos. Aquí, los datos no reemplazan al juicio médico: lo complementan.
La herramienta puede señalar, por ejemplo, que un niño presenta una estatura por debajo del percentil cinco, considerando su edad, sexo y contexto poblacional. Esto activa una alerta temprana que puede conducir a una consulta oportuna.
Resultados clínicos
Nuestro modelo de regresión logística fue entrenado con una base de datos biométricos y demográficos de más de 2,400 registros de niños y niñas, la cual fue obtenida del Pediatric Growth Data Set de Stanford Medicine Children’s Health.
El algoritmo logró una sensibilidad del 91.03% (capacidad para detectar correctamente los casos positivos). Además, la base de datos puede consultarse en GitHub, lo que facilita su implementación en distintos contextos hospitalarios o educativos, y contribuye a garantizar la reproducibilidad de la investigación.
El objetivo de este proyecto de investigación es facilitar el diagnóstico temprano, especialmente en contextos de escasos recursos o con largas listas de espera para atención pediátrica especializada.
Este avance tiene implicaciones clínicas y sociales, pues detectar a tiempo un trastorno del crecimiento puede marcar la diferencia entre un tratamiento efectivo y un problema crónico.
Un diagnóstico temprano hace la diferencia
Es importante saber que el crecimiento de un infante sigue una secuencia predecible, con ciertos hitos físicos y del desarrollo que ocurren aproximadamente a la misma edad en todas las poblaciones. Sin embargo, diversos factores pueden contribuir a problemas de crecimiento en niños y adolescentes, frecuentemente derivados de influencias genéticas, nutricionales, ambientales, psicosociales u hormonales.
La baja estatura familiar se debe a un rasgo genético, mientras que el retraso del crecimiento y del desarrollo puberal suele compensarse posteriormente. Factores como la desnutrición y el estrés psicosocial también pueden afectar este proceso.
Otras causas que influyen en los trastornos de crecimiento incluyen desequilibrios endocrinos, como la deficiencia de la hormona del crecimiento y el hipotiroidismo, que pueden provocar un retraso en el crecimiento, lo que resalta la importancia de un enfoque holístico para el diagnóstico.
Identificar las diversas causas es fundamental para implementar estrategias de tratamiento. El seguimiento regular y la adherencia al tratamiento prescrito son fundamentales para asegurar un progreso efectivo a largo plazo, especialmente durante períodos críticos de crecimiento, como la adolescencia.
Referencia
Rodríguez-Marín, M., y Orozco-Alatorre, LG (2025). Avances en la evaluación del crecimiento pediátrico con aprendizaje automático: Superando los desafíos del diagnóstico y la monitorización temprana. Children , 12 (3), 317
Autores
Mauro Rodríguez Marín. Profesor de la Escuela de Negocios del Tecnológico de Monterrey, campus Guadalajara, donde se desempeña como docente, investigador y consultor en el departamento de Mercadotecnia y Análisis. Es miembro del Sistema Nacional de Investigadores (SNII) nivel C de la Secihti y cuenta con un posdoctorado en Data Analytics por el programa conjunto entre el Tec y la Universidad de Texas en San Antonio (UTSA). Sus líneas de investigación incluyen planeación de la demanda, inteligencia artificial aplicada a negocios, salud, análisis de datos y turismo. También ha sido profesor visitante en universidades como Yale (EEUU) y Jean Moulin Lyon III (Francia).
Luis Gustavo Orozco Alatorre. Profesor de Pediatría en el Centro Universitario de Ciencias de la Salud de la Universidad de Guadalajara y miembro del Sistema Nacional de Investigadores (SNI), nivel 1. Ha sido jefe del Programa de Especialidad en Pediatría del Nuevo Hospital Civil de Guadalajara “Dr. Juan I. Menchaca”, acreditado por el PNPC del SECIHTI. Cuenta con más de 33 años de práctica privada y está certificado por el Consejo Mexicano de Pediatría. Es expresidente del Colegio de Pediatría de Jalisco, A.C. y miembro de la Academia Mexicana de Pediatría, A.C. Sus líneas de investigación incluyen el desarrollo y crecimiento infantil, patologías en la edad pediátrica, enfermedades infecciosas y medicina perinatal.
