Un estudio del ibs.GRANADA desarrolla una nueva herramienta de inteligencia artificial para hacer más fiables modelos científicos y mejorar su aplicación en Alzheimer

El trabajo, publicado en Journal of Advanced Research, presenta el método Statistical Agnostic Regression (SAR), que permite comprobar con mayor rigor si los resultados de un modelo de inteligencia artificial son realmente válidos y reducir el riesgo de falsos positivos

Investigadores del Instituto de Investigación Biosanitaria de Granada (ibs.GRANADA) y de la Universidad de Granada han desarrollado una nueva herramienta de inteligencia artificial que permite comprobar con más fiabilidad si los resultados de algunos modelos matemáticos usados en investigación científica y biomédica son realmente válidos. El método, llamado Statistical Agnostic Regression (SAR), ayuda a distinguir si la relación que un modelo encuentra entre diferentes variables responde a un patrón real o si puede ser fruto del azar o de un ajuste poco robusto de los datos.

Además, este avance cuenta con una aplicación en neuroimagen aceptada por la revista NeuroImage, en la que se analiza su utilidad para estudiar la enfermedad de Alzheimer. En conjunto, estos resultados abren la puerta a desarrollar modelos predictivos más seguros y útiles en medicina, especialmente en ámbitos complejos como el análisis de imágenes cerebrales.

La inteligencia artificial se utiliza cada vez más para analizar grandes cantidades de datos y encontrar patrones que ayuden a predecir enfermedades o a entender mejor cómo evolucionan. Sin embargo, uno de sus principales retos es que, en ocasiones, puede identificar relaciones que en realidad no existen. Cuando esto ocurre, existe el riesgo de llegar a conclusiones erróneas si los modelos no se comprueban con suficiente rigor.

Según Juan Manuel Górriz, investigador del grupo TEC15 Medicina Nuclear y Molecular del ibs.GRANADA, coordinador del grupo SiPBA TIC 218 de la UGR y autor principal del estudio, “uno de los principales problemas de la inteligencia artificial es que puede detectar relaciones que en realidad no existen. Con SAR hemos desarrollado una herramienta que permite validar estos modelos de forma rigurosa, reduciendo falsos positivos y aumentando la confianza en los resultados”.

Una de las principales ventajas de SAR es que aplica una validación más estricta que la de otros métodos habituales. En la práctica, esto significa que solo considera fiable una relación entre variables cuando existen pruebas estadísticas suficientes. Aunque este enfoque es más exigente, resulta especialmente importante en investigación biomédica, donde no basta con que un modelo parezca funcionar bien: también es necesario asegurarse de que sus resultados son sólidos y reproducibles.

El equipo investigador ha comprobado que algunos métodos habituales en aprendizaje automático pueden ofrecer resultados demasiado optimistas, sobre todo cuando se trabaja con pocos datos. En cambio, SAR reduce mejor el riesgo de falsos positivos, es decir, de dar por válida una relación que en realidad no existe. Esto lo convierte en un método más conservador, pero también más fiable.

Para demostrar su utilidad en un caso real, los investigadores aplicaron este método a datos del proyecto internacional ADNI (Alzheimer’s Disease Neuroimaging Initiative), una de las principales bases de datos para el estudio del Alzheimer. En este contexto, analizaron la relación entre variables clínicas, como la puntuación cognitiva MMSE, y datos obtenidos a partir de imágenes cerebrales. Los resultados indican que SAR puede ser especialmente útil para validar modelos en campos complejos como la neuroimagen, donde es fundamental diferenciar entre hallazgos realmente sólidos y asociaciones solo aparentes.

Este avance puede contribuir a mejorar la fiabilidad de los modelos predictivos que se usan en medicina y, en el futuro, favorecer decisiones clínicas mejor fundamentadas. En el caso del Alzheimer, disponer de herramientas más robustas para analizar datos clínicos y de neuroimagen puede ser de gran ayuda para avanzar hacia una detección más temprana y precisa de la enfermedad.

El estudio ha sido desarrollado por investigadores del ibs.GRANADA y la Universidad de Granada, con participación del DaSCI Institute de la Universidad de Granada y de la Universidad de Cambridge.

Referencia bibliográfica:

Gorriz, J. M., Ramirez, J., Segovia, F., Jimenez-Mesa, C., Martinez-Murcia, F. J., & Suckling, J. (2026). Statistical agnostic regression: A machine learning method to validate regression models. Journal of Advanced Research, 80, 503–533. https://doi.org/10.1016/j.jare.2025.04.026

Sobre el grupo:

El grupo TEC15-Medicina Nuclear y Molecular, integrado en el área de Terapias Avanzadas y Tecnologías Biomédicas del ibs.GRANADA, desarrolla su actividad investigadora en el ámbito del diagnóstico por imagen y la medicina nuclear, con especial atención a la identificación de nuevos trazadores para el diagnóstico del cáncer y la evaluación de la respuesta a los tratamientos. Consolidado como un grupo de referencia en la evaluación técnica de nuevos procedimientos de utilidad en Medicina Nuclear, forma parte de la Red Temática de Investigación Corporativa CÁNCER. Sus líneas de trabajo abarcan las aplicaciones clínicas de la PET en oncología, la endocrinología nuclear y el estudio de marcadores genéticos en cáncer de tiroides, la neurología, neuropsicología y psiquiatría nuclear aplicada al sistema nervioso central, así como el marcaje, desarrollo galénico y control de calidad de nuevos radiofármacos. Su labor se centra, en definitiva, en impulsar herramientas innovadoras de diagnóstico por imagen con potencial aplicación clínica en áreas como el cáncer, las enfermedades neurológicas y los trastornos endocrinológicos.

Más información: https://www.ibsgranada.es/grupos-de-investigacion/tec15-medicina-nuclear-y-molecular/