Aplicaciones de la inteligencia artificial en la predicción del deterioro funcional en personas mayores: revisión narrativa

 

AUTORES

1. Sara Chocarro Arróniz. Hospital Universitario de Navarra. Navarra, España.
2. Amaia Ros Maiz. Hospital Universitario de Navarra. Navarra, España.
3. Leyre Lecumberri Alzueta. Hospital Universitario de Navarra. Navarra, España.

RESUMEN

Introducción: El deterioro funcional en las personas mayores se asocia con dependencia, hospitalización, institucionalización y mayor uso de recursos sanitarios. La inteligencia artificial permite analizar grandes volúmenes de datos clínicos, funcionales y procedentes de sensores para identificar patrones de riesgo antes de que la pérdida de autonomía sea evidente.

Objetivo: Analizar las aplicaciones de la inteligencia artificial en la predicción del deterioro funcional de las personas mayores, describiendo los datos utilizados, los algoritmos, el rendimiento, las limitaciones y las implicaciones para la práctica clínica y enfermera.

Metodología: Se realizó una revisión narrativa mediante búsquedas en PubMed/MEDLINE, CINAHL, Scopus y Web of Science, complementadas con documentos institucionales. Se incluyeron publicaciones entre 2015 y junio de 2026 sobre aprendizaje automático, fragilidad, discapacidad, actividades de la vida diaria, movilidad y biomarcadores digitales en población de 60 años o más.

Resultados: Los modelos más empleados fueron regresión penalizada, bosques aleatorios, máquinas de vectores de soporte y potenciación de gradiente. Las variables con mayor capacidad predictiva incluyeron edad, situación funcional basal, autopercepción de salud, cognición, depresión, caídas, comorbilidad, medicación y características de la marcha. Aunque numerosos estudios comunicaron una discriminación aceptable o alta, fueron frecuentes la validación externa insuficiente, la heterogeneidad de los desenlaces y el riesgo de sesgo.

Discusión-conclusiones: La inteligencia artificial puede apoyar la detección temprana del deterioro funcional y orientar intervenciones preventivas, pero no debe sustituir la valoración geriátrica integral. Su aplicación requiere modelos explicables, representativos, calibrados y validados en contextos diversos, además de gobernanza de datos, supervisión profesional e integración en los flujos asistenciales.

PALABRAS CLAVE

Inteligencia artificial, aprendizaje automático, anciano, actividades cotidianas, fragilidad.

ABSTRACT

Introduction: Functional decline in older adults is associated with dependency, hospitalisation, institutionalisation, and increased use of health-care resources. Artificial intelligence can analyse large volumes of clinical, functional, and sensor-derived data to identify risk patterns before loss of independence becomes evident.

Objective: To analyse applications of artificial intelligence for predicting functional decline in older adults, describing data sources, algorithms, performance, limitations, and implications for clinical and nursing practice.

Methodology: A narrative review was conducted through searches of PubMed/MEDLINE, CINAHL, Scopus, and Web of Science, supplemented by institutional documents. Publications from 2015 to June 2026 addressing machine learning, frailty, disability, activities of daily living, mobility, and digital biomarkers in adults aged 60 years or older were included.

Results: The most frequently used models were penalised regression, random forests, support vector machines, and gradient boosting. Predictive variables commonly included age, baseline functional status, self-rated health, cognition, depression, falls, comorbidity, medication use, and gait characteristics. Although many studies reported acceptable or high discrimination, insufficient external validation, heterogeneous outcomes, and risk of bias were common.

Discussion-conclusions: Artificial intelligence may support early detection of functional decline and guide preventive interventions, but it should not replace comprehensive geriatric assessment. Implementation requires explainable, representative, calibrated, and externally validated models, together with data governance, professional oversight, and integration into clinical workflows.

KEY WORDS

Artificial intelligence, machine learning, aged, activities of daily living, frailty.

INTRODUCCIÓN

El envejecimiento demográfico incrementa el número de personas que viven con enfermedades crónicas, fragilidad y limitaciones para realizar actividades básicas e instrumentales de la vida diaria. La capacidad funcional expresa la interacción entre las capacidades físicas y mentales de la persona, el entorno y los apoyos disponibles. Su conservación constituye un objetivo central del envejecimiento saludable, porque permite mantener autonomía, participación social y calidad de vida^1,2.

El deterioro funcional puede aparecer de forma progresiva o precipitarse tras una enfermedad aguda, una caída o una hospitalización. La pérdida de independencia para vestirse, asearse, caminar, preparar alimentos, manejar la medicación o realizar compras se relaciona con institucionalización, reingresos, mortalidad y sobrecarga familiar^3,4. En el hospital, incluso personas previamente autónomas pueden experimentar discapacidad asociada al ingreso por inmovilidad, delirium, desnutrición, polifarmacia o intervenciones poco adaptadas a sus necesidades⁵.

La fragilidad y el deterioro funcional están estrechamente vinculados, aunque no son equivalentes. La fragilidad describe una disminución de la reserva fisiológica y una mayor vulnerabilidad frente a estresores; el deterioro funcional se refiere a la pérdida objetiva o percibida de capacidad para ejecutar tareas cotidianas. Los modelos fenotípicos y de acumulación de déficits son los marcos más utilizados para operacionalizar la fragilidad y estimar el riesgo de resultados adversos^6-8.

La identificación temprana continúa siendo difícil. Las escalas clínicas son útiles, pero requieren tiempo, entrenamiento y mediciones repetidas. Además, la información funcional suele registrarse de forma incompleta en campos estructurados de la historia clínica electrónica. Esta limitación favorece que el riesgo se reconozca cuando la dependencia ya está establecida, reduciendo la oportunidad de intervenir sobre movilidad, nutrición, medicación, apoyo social y rehabilitación⁹.

La inteligencia artificial comprende métodos computacionales capaces de realizar tareas de clasificación, predicción o reconocimiento de patrones. Dentro de ella, el aprendizaje automático permite que los algoritmos aprendan relaciones a partir de datos sin programar cada regla de forma explícita. En salud, estos métodos pueden integrar variables demográficas, diagnósticos, pruebas de laboratorio, notas clínicas, imágenes y señales procedentes de dispositivos portátiles^10,11.

En la población mayor, la inteligencia artificial se ha aplicado a la detección de fragilidad, predicción de discapacidad, clasificación de la marcha, estimación del riesgo de caídas y análisis de trayectorias hospitalarias. Los algoritmos pueden identificar interacciones no lineales y combinaciones de factores que los modelos convencionales no captan con facilidad. Sin embargo, un buen rendimiento estadístico no garantiza utilidad clínica: un modelo puede discriminar adecuadamente y, aun así, estar mal calibrado, depender de datos no disponibles o generar alertas que no modifican la atención^12-15.

Los biomarcadores digitales amplían esta posibilidad mediante acelerómetros, relojes, teléfonos, plantillas instrumentadas y sensores ambientales. Parámetros como velocidad, variabilidad y simetría de la marcha, transiciones posturales, actividad física y patrones de sueño pueden reflejar cambios funcionales antes de que sean evidentes en una consulta puntual^16,17. Su valor depende, no obstante, de la adherencia, la calidad de la señal, la alfabetización digital y la representatividad de quienes utilizan los dispositivos.

La aplicación de inteligencia artificial en personas mayores plantea además desafíos de equidad. Los conjuntos de datos pueden infrarrepresentar a personas con deterioro cognitivo, dependencia grave, bajo nivel socioeconómico o residencia institucional. La exclusión de estos grupos puede producir modelos menos fiables precisamente en quienes presentan mayor vulnerabilidad. También existen riesgos relacionados con privacidad, opacidad, automatización de decisiones y desplazamiento de la valoración profesional¹⁸.

Por ello, resulta necesario sintetizar la evidencia con una perspectiva clínica y no únicamente tecnológica. Esta revisión narrativa examina cómo se está utilizando la inteligencia artificial para anticipar el deterioro funcional, qué variables y algoritmos predominan, cuáles son sus limitaciones metodológicas y qué condiciones deben cumplirse para una implementación segura y útil.

Desde una perspectiva sanitaria, anticipar la pérdida funcional permite desplazar la atención desde una respuesta reactiva hacia estrategias de prevención. La detección de trayectorias de riesgo antes de que aparezca una dependencia consolidada puede favorecer intervenciones sobre actividad física, nutrición, revisión farmacológica, apoyo cognitivo y adaptación del entorno. Este enfoque es especialmente relevante porque la discapacidad en edades avanzadas no sigue una evolución lineal: pueden producirse periodos de estabilidad, recuperación parcial y nuevos episodios de declive, condicionados por enfermedades intercurrentes y por la disponibilidad de apoyos^3,5.

La utilidad potencial de los modelos predictivos depende, por tanto, de que traduzcan esa complejidad en estimaciones comprensibles y clínicamente accionables. No basta con clasificar a una persona como de alto riesgo; es necesario identificar cuándo debe reevaluarse, qué profesionales deben intervenir y qué componentes son modificables. En geriatría, la predicción adquiere valor cuando se integra con la valoración multidimensional y respeta la variabilidad individual, evitando que la edad cronológica o la fragilidad se conviertan en criterios automáticos de exclusión asistencial^1,2,6,7.

OBJETIVOS

La predicción del deterioro funcional exige integrar dimensiones clínicas, físicas, cognitivas y sociales. A partir de esta complejidad, los objetivos se formularon para valorar el potencial de la inteligencia artificial sin separar su rendimiento técnico de la utilidad asistencial, la equidad y la seguridad.

Además del rendimiento predictivo, se consideró necesario examinar si los modelos ofrecen información interpretable, si pueden trasladarse a poblaciones distintas de aquellas en las que fueron desarrollados y si sus resultados se vinculan con actuaciones preventivas concretas. La revisión también buscó delimitar las diferencias entre detectar fragilidad existente y predecir un deterioro funcional futuro, ya que ambos objetivos requieren diseños, horizontes temporales y criterios de evaluación diferentes.

Objetivo general:

Explorar el potencial de la inteligencia artificial para anticipar el deterioro funcional en personas mayores mediante una revisión de la evidencia científica disponible.

Objetivos específicos:

• Identificar las principales fuentes de información y variables utilizadas para predecir fragilidad, discapacidad o pérdida de autonomía.
• Comparar los algoritmos de aprendizaje automático empleados y los indicadores utilizados para valorar su rendimiento.
• Poner de manifiesto las limitaciones metodológicas, éticas y organizativas que condicionan la aplicación clínica de estos modelos.
• Reflexionar sobre las implicaciones de la inteligencia artificial para la valoración geriátrica, la práctica enfermera, la prevención y la planificación de cuidados.

METODOLOGÍA

Se realizó una revisión narrativa de la literatura científica con el propósito de recopilar y analizar la evidencia disponible sobre las aplicaciones de la inteligencia artificial en la predicción del deterioro funcional en personas mayores. La revisión se orientó a identificar las principales herramientas empleadas, las variables utilizadas para la predicción, las posibilidades de aplicación en la práctica clínica y las limitaciones descritas en la literatura.

La búsqueda bibliográfica se efectuó en las bases de datos PubMed/MEDLINE, Scopus, CINAHL y Web of Science. De forma complementaria, se consultaron documentos publicados por organismos internacionales y sociedades científicas relacionados con el envejecimiento, la salud digital y la inteligencia artificial aplicada al ámbito sanitario.

Para la estrategia de búsqueda se emplearon descriptores DeCS y términos MeSH relacionados con inteligencia artificial, aprendizaje automático, personas mayores, deterioro funcional, fragilidad, discapacidad, actividades de la vida diaria, historia clínica electrónica y dispositivos de monitorización. Asimismo, se incorporaron términos equivalentes en inglés con el fin de ampliar la recuperación de publicaciones relevantes.

Criterios de inclusión:

Se incluyeron artículos originales, revisiones sistemáticas, metaanálisis, estudios observacionales y documentos de consenso publicados en español o inglés, centrados en personas de 60 años o más y en la aplicación de la inteligencia artificial para la predicción del deterioro funcional, la fragilidad, la discapacidad o resultados funcionales relacionados. Se priorizaron las publicaciones aparecidas entre 2015 y 2026, incorporándose también algunos trabajos previos considerados de especial relevancia para contextualizar el desarrollo de esta línea de investigación.

Criterios de exclusión:

Se excluyeron los estudios dirigidos exclusivamente al diagnóstico de enfermedades concretas sin valorar resultados funcionales, los trabajos realizados en población no geriátrica, las publicaciones duplicadas, los resúmenes de congresos sin texto completo y aquellos documentos que no aportaban información relacionada con los objetivos de la revisión.

Para valorar la utilidad de los documentos seleccionados se tuvieron en cuenta la claridad de los objetivos, la descripción de la población, la definición del resultado funcional, el procedimiento de validación y la aplicabilidad de los hallazgos al ámbito geriátrico.

La selección de las publicaciones se llevó a cabo mediante la revisión de títulos, resúmenes y lectura del texto completo de los documentos potencialmente relevantes. La información obtenida se organizó en función de las principales áreas de interés de la revisión, incluyendo las fuentes de datos empleadas, los modelos de inteligencia artificial utilizados, las variables predictoras, las aplicaciones clínicas, el papel de la enfermería y las limitaciones descritas para su implementación en la práctica asistencial. Debido al carácter narrativo del trabajo, los resultados se presentan como una síntesis de la evidencia científica disponible.

RESULTADOS

La evidencia revisada muestra un aumento de los modelos orientados a anticipar fragilidad, discapacidad y pérdida de autonomía. La mayoría se ha desarrollado a partir de datos observacionales secundarios y permanece en fases de desarrollo o validación; son escasos los estudios que han evaluado su efecto sobre decisiones asistenciales o resultados funcionales.

Fuentes de datos y definición del deterioro funcional:

Las historias clínicas electrónicas permiten integrar edad, diagnósticos, medicación, pruebas analíticas, constantes vitales, utilización sanitaria y documentación de enfermería. Su principal ventaja es la disponibilidad de datos a gran escala; su principal debilidad es que el estado funcional se registra de manera irregular. El procesamiento del lenguaje natural puede recuperar de las notas no estructuradas información sobre marcha, transferencias, ayudas técnicas y actividades de la vida diaria⁹. La Tabla 1 recoge las principales fuentes de datos utilizadas por los modelos.

Las cohortes poblacionales incorporan cuestionarios sobre salud, cognición, estado emocional, redes sociales y actividades cotidianas. En una cohorte japonesa de más de 73.000 personas, los modelos estimaron la aparición de discapacidad funcional a cinco años a partir de 183 variables; la edad, la salud autopercibida, las caídas, la estabilidad postural, la enfermedad de Parkinson y la demencia destacaron entre los predictores²¹. Otros estudios longitudinales han desarrollado modelos para estimar discapacidad futura y, en personas ya dependientes, necesidades no cubiertas de ayuda para las actividades diarias^22,23.

Los sensores portátiles y ambientales generan datos continuos sobre marcha, actividad, equilibrio y transiciones posturales. Las revisiones indican que velocidad de marcha, variabilidad, número de pasos y tiempo en actividad se asocian con fragilidad^16,17. Estos datos pueden detectar cambios sutiles, aunque los estudios suelen incluir muestras pequeñas y condiciones controladas. El contexto asistencial condiciona tanto la disponibilidad como la interpretación de estas fuentes. En el hospital predominan registros clínicos y episodios agudos, útiles para identificar riesgo de discapacidad asociada al ingreso; en la comunidad, las cohortes y los dispositivos permiten observar trayectorias más prolongadas; y en residencias adquieren importancia la dependencia basal, la cognición y la intensidad de los apoyos. Un modelo trasladado entre estos ámbitos puede perder precisión si cambian la frecuencia del desenlace, la forma de registrar la función o las características de la población. Por ello, la validación debe realizarse en el entorno donde vaya a utilizarse y con datos obtenidos en condiciones asistenciales reales^9,16,17,21.

Algoritmos empleados y rendimiento:

Los algoritmos más frecuentes fueron regresión logística penalizada, árboles de decisión, bosques aleatorios, máquinas de vectores de soporte, redes neuronales y métodos de potenciación como XGBoost. Las revisiones sobre fragilidad muestran valores de discriminación generalmente aceptables, pero una amplia variabilidad relacionada con la definición del desenlace, la selección de predictores y el tipo de validación^12-15.

En la predicción de discapacidad, los métodos de potenciación y los bosques aleatorios suelen compararse con regresiones penalizadas. En la cohorte japonesa, la regresión ridge y el gradient boosting alcanzaron estadísticas C próximas a 0,82²¹. En otro estudio con personas mayores inicialmente sin discapacidad, random forest y XGBoost mostraron el mejor rendimiento; la salud autopercibida, la educación, el sueño, los síntomas depresivos, la hipertensión y la artritis figuraron entre los predictores más relevantes²⁴.

La superioridad de un algoritmo complejo no es constante. Cuando la relación entre variables y desenlace es estable y el conjunto de datos está bien definido, una regresión puede rendir de forma similar a métodos más opacos. Además, la comparación basada solo en el área bajo la curva puede ocultar problemas de calibración, baja precisión en eventos poco frecuentes o escasa utilidad en umbrales clínicos.

La evaluación del rendimiento fue desigual entre estudios. La discriminación se comunicó con frecuencia, mientras que la calibración, la utilidad clínica y el análisis de decisiones fueron menos habituales. También se observaron diferencias en la gestión de datos ausentes y en el equilibrio entre casos con y sin deterioro. Estas decisiones pueden modificar sustancialmente los resultados y explican parte de la variabilidad entre modelos aparentemente similares^13-15,19,20.

Variables predictoras:

La edad fue el predictor más repetido, seguida del estado funcional basal, la salud autopercibida, la cognición, los síntomas depresivos, las caídas, la comorbilidad y la polifarmacia. También aparecieron la nutrición, el dolor, el sueño, el índice de masa corporal, el nivel educativo, el apoyo social y la utilización previa de servicios. En conjunto, estos hallazgos confirman que el deterioro funcional es multidimensional y no puede anticiparse únicamente a partir de diagnósticos médicos^14,21,24,25.

Las variables de marcha aportaron información complementaria. La reducción de la velocidad, la irregularidad, la asimetría y las dificultades para girar o levantarse de una silla se relacionaron con fragilidad y limitación física. Los acelerómetros y sensores inerciales permitieron caracterizar la marcha cotidiana, automatizar pruebas funcionales y clasificar estados de fragilidad con resultados prometedores^17,26-28.

La importancia de las variables no debe interpretarse como causalidad. Los métodos de explicabilidad, como SHAP, muestran cuánto contribuye cada característica a una predicción, pero no demuestran que modificarla cambie el desenlace. Esta distinción es esencial cuando el modelo se utiliza para decidir intervenciones.

Aplicaciones clínicas y papel de enfermería:

Las aplicaciones potenciales incluyen el cribado comunitario, la priorización de la valoración geriátrica, la identificación de pacientes hospitalizados con riesgo de pérdida funcional, el seguimiento domiciliario y la planificación de la rehabilitación. Un sistema integrado podría generar una alerta cuando la combinación de cambios en la marcha, descenso de actividad, alteraciones cognitivas y utilización sanitaria superase un umbral previamente validado.

La enfermería ocupa una posición central porque documenta movilidad, autocuidado, alimentación, continencia, cognición y apoyo familiar. La calidad de estos registros condiciona el rendimiento del modelo. Además, las alertas solo tienen valor si conducen a acciones concretas: movilización precoz, revisión farmacológica, prevención de delirium, soporte nutricional, evaluación social, ejercicio terapéutico o derivación a geriatría y rehabilitación.

La inteligencia artificial puede reducir carga de cribado, pero también aumentar alertas y tareas si no se integra adecuadamente. Antes de implantar un modelo deben definirse responsables, tiempos de respuesta, umbrales, vías asistenciales y mecanismos para documentar la decisión clínica.

Los estudios de impacto clínico fueron escasos. La mayoría informó métricas retrospectivas y no comparó la atención habitual con una estrategia asistida por inteligencia artificial. Por este motivo, permanece abierta la cuestión de si las alertas mejoran la derivación, reducen caídas o discapacidad, favorecen la recuperación tras una hospitalización o simplemente redistribuyen el trabajo profesional. La evaluación futura debería incorporar resultados funcionales centrados en la persona, carga para cuidadores, aceptabilidad, costes y posibles efectos adversos. Para enfermería, la evaluación de impacto debería incluir además la calidad y completitud de los registros funcionales, el tiempo dedicado a revisar alertas y la capacidad del sistema para priorizar cambios clínicamente relevantes. Las variables registradas de manera rutinaria pueden ser predictivas, pero también reflejar diferencias en dotación, documentación o acceso a cuidados. La implantación debe acompañarse de formación, protocolos de actuación y retroalimentación sobre alertas acertadas o innecesarias. Este ciclo permite ajustar umbrales y evitar que el modelo se convierta en una fuente adicional de carga o en un criterio automático de decisión. La utilidad real se alcanza cuando la predicción facilita una valoración temprana y una intervención individualizada, manteniendo la supervisión profesional y la participación de la persona mayor^9,18-20.

Limitaciones y condiciones para la implementación:

Las revisiones coinciden en un riesgo de sesgo elevado, especialmente por muestras pequeñas, selección inadecuada de variables, tratamiento deficiente de los datos ausentes, desequilibrio de clases y validación interna optimista^13-15. La validación externa fue infrecuente y, cuando se realizó, el rendimiento tendió a disminuir en poblaciones diferentes.

La heterogeneidad de los desenlaces es otra barrera. Algunos estudios predicen fragilidad presente y futura, discapacidad, caídas o necesidad de cuidados. Incluso cuando se utiliza el mismo término, las escalas y los puntos de corte varían, lo que limita la comparabilidad.

La implementación requiere protección de datos, transparencia, vigilancia del rendimiento y evaluación de sesgos por sexo, edad, nivel socioeconómico, origen y grado de dependencia. La Organización Mundial de la Salud recomienda preservar autonomía, seguridad, transparencia, responsabilidad, inclusión y sostenibilidad en la inteligencia artificial sanitaria¹⁸.

Por último, deben evaluarse resultados clínicos y organizativos. Un modelo no es útil únicamente porque prediga correctamente: debe mejorar decisiones, reducir deterioro evitable, no ampliar desigualdades y demostrar una relación favorable entre beneficios, costes y posibles daños. La Tabla 2 resume las condiciones necesarias para una implementación clínica responsable.

DISCUSIÓN

La evidencia revisada indica que la inteligencia artificial puede integrar información clínica, funcional, social y conductual para estimar el riesgo de deterioro funcional en personas mayores. Su aportación más relevante no consiste en sustituir las escalas ni el juicio profesional, sino en reconocer combinaciones de señales dispersas y facilitar una valoración preventiva en el momento adecuado.

El rendimiento comunicado es prometedor, sobre todo en cohortes amplias y bases electrónicas. Sin embargo, debe interpretarse con cautela: las revisiones recientes muestran riesgo de sesgo, escasa validación externa y evaluación incompleta de la calibración^13-15. En consecuencia, una precisión elevada en el conjunto de desarrollo no garantiza que el modelo mantenga su utilidad en otro hospital, región o sistema sanitario.

La comparación entre familias de algoritmos sugiere que no existe un método universalmente superior. Los bosques aleatorios y los modelos de potenciación captan relaciones no lineales y suelen manejar bien numerosas variables, mientras que las regresiones penalizadas ofrecen mayor parsimonia y una interpretación más directa. Las redes neuronales pueden resultar útiles con señales de sensores o grandes volúmenes de datos, pero exigen muestras amplias y una validación rigurosa. La elección debería responder al problema clínico, la calidad de los datos y la necesidad de explicación, y no únicamente a la búsqueda de la métrica más alta^12-15,21,24.

La heterogeneidad conceptual constituye un problema central. Fragilidad, discapacidad y deterioro funcional se solapan, pero representan fenómenos distintos. Entrenar un algoritmo con una definición transversal de fragilidad no equivale a predecir la pérdida futura de actividades de la vida diaria. Los estudios deben especificar el horizonte temporal, el estado basal y la relevancia clínica del cambio observado.

Esta distinción tiene consecuencias prácticas. Un modelo que identifica fragilidad en el presente puede apoyar el cribado, mientras que uno que estima pérdida funcional a seis o doce meses puede orientar seguimiento e intervenciones preventivas. Para que la predicción sea clínicamente significativa, los estudios deben justificar el horizonte temporal, describir la función basal y establecer qué magnitud de cambio se considera relevante para la persona mayor. La armonización de desenlaces facilitaría la comparación entre investigaciones y la validación multicéntrica.

Los predictores identificados coinciden en gran medida con el conocimiento geriátrico: edad, función previa, cognición, depresión, caídas, comorbilidad y salud autopercibida. La inteligencia artificial no reemplaza este conocimiento, sino que permite combinarlo y actualizarlo a partir de múltiples fuentes. La explicabilidad es necesaria para comprobar que las predicciones se basan en señales clínicamente plausibles y no en artefactos administrativos, patrones de acceso o variables sustitutivas de desigualdad.

Los sensores permiten pasar de evaluaciones puntuales a un seguimiento longitudinal. Una reducción persistente de los pasos, la velocidad o la regularidad de la marcha podría señalar un cambio antes de que aparezca dependencia manifiesta. No obstante, la brecha digital, la aceptación, la carga de mantenimiento y la calidad variable de la señal limitan su generalización. La disponibilidad de tecnologías portátiles no debe convertirse en un requisito que excluya a las personas con menor alfabetización digital o mayor vulnerabilidad.

En el hospital y en atención primaria, los modelos predictivos podrían ayudar a detectar tanto el riesgo de discapacidad asociada al ingreso como cambios funcionales graduales que no motivan una consulta específica. Su utilidad depende de que cada alerta se vincule a intervenciones protocolizadas, responsables definidos y una valoración geriátrica que evite medicalizar variaciones normales. La participación de enfermería es esencial para interpretar los cambios en movilidad, autocuidado, alimentación y cognición, contrastar la señal algorítmica con la situación clínica y elaborar un plan de cuidados individualizado mediante decisiones compartidas y respetuosas con las preferencias de la persona.

La implementación responsable requiere informar con transparencia el desarrollo y la validación de los modelos mediante estándares como TRIPOD+AI, y evaluar su riesgo de sesgo y aplicabilidad con herramientas como PROBAST+AI^19,20. También son necesarias auditorías después de la implantación, ya que el rendimiento puede variar cuando cambian la población, las prácticas asistenciales o los sistemas de registro.

La equidad debe evaluarse como un resultado específico y no como una consideración secundaria. El rendimiento puede diferir en personas muy mayores, institucionalizadas, con deterioro cognitivo, bajo nivel educativo o menor acceso tecnológico. Por ello, las validaciones deben presentar resultados por subgrupos, estudiar errores de clasificación y comprobar que los umbrales no generan una asignación desigual de recursos. También debe existir supervisión humana, posibilidad de revisión y mecanismos claros de responsabilidad ante predicciones erróneas^18-20.

Esta revisión presenta ciertas limitaciones. Su diseño narrativo no garantiza la recuperación exhaustiva de todas las publicaciones y no permite estimar un efecto combinado. La rápida evolución del campo puede dejar obsoletos algunos resultados.

Las investigaciones futuras deberían avanzar desde estudios retrospectivos hacia validaciones prospectivas y ensayos de impacto. Es prioritario comparar el modelo con la valoración clínica habitual, definir intervenciones asociadas a cada nivel de riesgo y medir si se preservan actividades de la vida diaria, movilidad y calidad de vida. También se necesitan conjuntos de datos multicéntricos, seguimiento prolongado, participación de pacientes y cuidadores en el diseño, y análisis de coste-efectividad. La interoperabilidad de los sistemas y la estandarización de variables funcionales serán determinantes para que los modelos puedan trasladarse entre contextos.

CONCLUSIÓN

En conclusión, la inteligencia artificial puede contribuir a anticipar el deterioro funcional en personas mayores mediante información procedente de historias clínicas, cohortes y biomarcadores digitales. Su utilidad será mayor cuando complemente la valoración geriátrica integral, emplee desenlaces funcionales bien definidos y se integre en vías asistenciales preventivas. Antes de una adopción generalizada son imprescindibles la validación externa, la calibración, la explicabilidad, la equidad, la protección de datos y la demostración de un beneficio clínico real.

BIBLIOGRAFÍA

1. World Health Organization. World report on ageing and health. Geneva: WHO; 2015.
2. Beard JR, Officer A, de Carvalho IA, Sadana R, Pot AM, Michel JP, et al. The World report on ageing and health: a policy framework for healthy ageing. Lancet. 2016;387(10033):2145-54.
3. Gill TM, Gahbauer EA, Han L, Allore HG. Trajectories of disability in the last year of life. N Engl J Med. 2010;362(13):1173-80.
4. Covinsky KE, Palmer RM, Fortinsky RH, Counsell SR, Stewart AL, Kresevic D, et al. Loss of independence in activities of daily living in older adults hospitalized with medical illnesses. J Am Geriatr Soc. 2003;51(4):451-8.
5. Zisberg A, Shadmi E, Sinoff G, Gur-Yaish N, Srulovici E, Admi H. Low mobility during hospitalization and functional decline in older adults. J Am Geriatr Soc. 2011;59(2):266-73.
6. Fried LP, Tangen CM, Walston J, Newman AB, Hirsch C, Gottdiener J, et al. Frailty in older adults: evidence for a phenotype. J Gerontol A Biol Sci Med Sci. 2001;56(3):M146-56.
7. Clegg A, Young J, Iliffe S, Rikkert MO, Rockwood K. Frailty in elderly people. Lancet. 2013;381(9868):752-62.
8. Rockwood K, Song X, MacKnight C, Bergman H, Hogan DB, McDowell I, et al. A global clinical measure of fitness and frailty in elderly people. CMAJ. 2005;173(5):489-95.
9. Fu S, Yue Z, Nguyen JT, Liu H, Ahn J, Ramirez V, et al. MedADL: high-throughput information extraction of functional status from electronic health records to advance frailty assessment in older adults. J Gerontol A Biol Sci Med Sci. 2026;81(8):glag154. doi:10.1093/gerona/glag154.
10. Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med. 2019;380(14):1347-58.
11. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56.
12. Leghissa M, Carrera Á, Iglesias CA. Machine learning approaches for frailty detection, prediction and classification in elderly people: a systematic review. Int J Med Inform. 2023;178:105172.
13. Gao Y, Chen Y, Hu M, Gan T, Sun X, Zhang Z, et al. Characteristics and quality of diagnostic and risk prediction models for frailty in older adults: a systematic review. J Appl Gerontol. 2022;41(9):2113-26.
14. Kong LN, Yang L, Lyu Q, Liu DX, Yang J. Risk prediction models for frailty in older adults: a systematic review and critical appraisal. Int J Nurs Stud. 2025;167:105068.
15. Ou Y, Jiang D, Li P, Zhang W, Zhou Y, Chen Y, et al. Prediction of frailty in community older adults based on machine learning: a systematic review and meta-analysis. Front Public Health. 2026;13:1667792.
16. Teh SK, Rawtaer I, Tan HP. Predictive accuracy of digital biomarker technologies for detection of mild cognitive impairment and pre-frailty amongst older adults: a systematic review and meta-analysis. IEEE J Biomed Health Inform. 2022;26(8):3638-48.
17. Vavasour G, Giggins OM, Doyle J, Kelly D. How wearable sensors have been utilised to evaluate frailty in older adults: a systematic review. J Neuroeng Rehabil. 2021;18(1):112.
18. World Health Organization. Ethics and governance of artificial intelligence for health. Geneva: WHO; 2021.
19. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378.
20. Moons KGM, Damen JAA, Kaul T, Hooft L, Andaur Navarro C, Dhiman P, et al. PROBAST+AI: an updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods. BMJ. 2025;388:e082505.
21. Lu Y, Sato K, Nagai M, Miyatake H, Kondo K, Kondo N. Machine learning-based prediction of functional disability: a cohort study of Japanese older adults in 2013-2019. J Gen Intern Med. 2023;38(11):2486-93. doi:10.1007/s11606-023-08215-2.
22. Wang K, Zhao J, Hu J, Liang D, Luo Y. Predicting unmet activities of daily living needs among the oldest old with disabilities in China: a machine learning approach. Front Public Health. 2023;11:1257818.
23. Wu Y, Xiang C, Wang Z, Fang Y. Interpretable prediction models for disability in older adults with hypertension: the Chinese Longitudinal Healthy Longevity and Happy Family Study. Psychogeriatrics. 2024;24(3):645-54. doi:10.1111/psyg.13112.
24. Chen J, Ren Y, Ding J, Hu Q, Xu J, Luo J, et al. Construction of disability risk prediction model for the elderly based on machine learning. Sci Rep. 2025;15(1):16247. doi:10.1038/s41598-025-01404-5.
25. Zhang L, Cui H, Chen Q, Li Y, Yang C, Yang Y. A web-based dynamic nomogram for predicting instrumental activities of daily living disability in older adults: a nationally representative survey in China. BMC Geriatr. 2021;21(1):311. doi:10.1186/s12877-021-02223-9.
26. Pradeep Kumar D, Toosizadeh N, Mohler J, Ehsani H, Mannier C, Laksari K. Sensor-based characterization of daily walking: a new paradigm in pre-frailty/frailty assessment. BMC Geriatr. 2020;20(1):164. doi:10.1186/s12877-020-01572-1.
27. Fudickar S, Hellmers S, Lau S, Diekmann R, Bauer JM, Hein A. Measurement system for unsupervised standardized assessment of Timed “Up & Go” and Five Times Sit to Stand Test in the community: a validity study. Sensors (Basel). 2020;20(10):2824. doi:10.3390/s20102824.
28. Lien WC, Wang WF, Chang CH, Liu B, Yang YC, Yang TH, et al. Inertial sensor-based gait classification for frailty status in older adults: a cross-sectional study. Comput Struct Biotechnol J. 2025;28:199-210. doi:10.1016/j.csbj.2025.05.011.

ANEXOS

Tabla 1. Principales fuentes de datos utilizadas por los modelos predictivos:

Fuente	Variables habituales	Ventajas	Limitaciones
Historia clínica electrónica	Diagnósticos, medicación, laboratorio, constantes, utilización, notas clínicas	Gran volumen y disponibilidad rutinaria	Registro funcional incompleto; sesgo del sistema sanitario
Cohortes poblacionales	ABVD/AIVD, cognición, depresión, salud autopercibida, apoyo social	Seguimiento longitudinal y variables multidimensionales	Autoinforme, pérdidas de seguimiento y baja transferibilidad
Sensores portátiles	Pasos, velocidad, variabilidad, equilibrio, transiciones, sueño	Medición continua y detección de cambios sutiles	Adherencia, brecha digital, ruido y muestras pequeñas
Pruebas funcionales instrumentadas	Timed Up and Go, marcha, fuerza, levantarse de la silla	Datos objetivos y clínicamente interpretables	Necesidad de equipamiento y protocolos estandarizados

Fuente: elaboración propia a partir de las referencias 9, 12, 16 y 17.

Tabla 2. Condiciones para una implementación clínica responsable:

Dimensión	Requisito	Aplicación práctica
Validez	Validación externa, calibración y análisis por subgrupos	Comprobar el modelo en la población y centro donde se utilizará
Transparencia	Descripción de variables, algoritmo, umbrales y explicaciones	Permitir que el profesional entienda los factores que generan la alerta
Equidad	Representación de personas frágiles, dependientes y socialmente vulnerables	Auditar diferencias de error y evitar exclusión digital
Integración	Alerta vinculada a una vía asistencial y responsables definidos	Relacionar el riesgo con valoración geriátrica e intervenciones preventivas
Gobernanza	Privacidad, seguridad, supervisión y monitorización continua	Registrar decisiones y revisar el rendimiento tras la implantación

Fuente: elaboración propia a partir de las referencias 18-20.