La ciencia veterinaria da un paso más hacia el futuro con el uso de herramientas de inteligencia artificial aplicadas al diagnóstico clínico. Un equipo de investigadores de la Universidad de Teherán y la Universidad Shahid Bahonar de Kerman, en Irán, ha desarrollado modelos de aprendizaje automático (machine learning, ML) que permiten predecir de forma precisa tanto el pronóstico como el tiempo de recuperación en perros afectados por parvovirus canino (CPV), una de las enfermedades infecciosas más graves en la medicina de pequeños animales.

Este avance no solo tiene implicaciones clínicas importantes, sino que representa un hito en la aplicación de algoritmos de IA en veterinaria, una disciplina aún poco explorada en comparación con la medicina humana.
Un virus letal para los cachorros

El parvovirus canino tipo 2 es una infección viral altamente contagiosa que afecta principalmente a cachorros. Sus síntomas incluyen diarrea severa, vómitos, fiebre y deshidratación extrema, pudiendo llevar a la muerte si no se trata a tiempo. Aunque existen biomarcadores clínicos y de laboratorio que ayudan a evaluar la gravedad del cuadro, su eficacia individual es limitada, y muchas veces los resultados no son concluyentes o llegan demasiado tarde.

"Uno de los grandes retos del veterinario clínico es anticiparse al desenlace de la enfermedad. Saber si un cachorro va a sobrevivir o cuánto tiempo tardará en recuperarse puede ayudar a optimizar recursos, tratamientos y decisiones críticas", explican los autores del estudio, publicado en Frontiers in Veterinary Science.
Un modelo basado en variables simples y accesibles

En esta investigación, se analizaron 156 perros con diagnóstico confirmado de parvovirosis. A partir de variables fácilmente registrables al momento del ingreso -como edad, síntomas clínicos, vacunación, desparasitación, y parámetros hematológicos básicos- los investigadores entrenaron distintos algoritmos de machine learning para predecir dos aspectos clave: la supervivencia del animal y el tiempo estimado de recuperación.

Tras varias fases de ajuste y validación, el equipo logró un modelo óptimo que utiliza solo cuatro variables:

    Presencia del síndrome de respuesta inflamatoria sistémica (SIRS)

    Estado de vacunación

    Historial de desparasitación

    Comportamiento de llanto en el animal

Este modelo alcanzó una precisión del 84 % en la predicción de la supervivencia, y una excelente capacidad de discriminación (AUC = 0.90), lo que indica que puede diferenciar adecuadamente entre casos de evolución favorable y desfavorable.
Predecir la recuperación: otro reto superado

Además del pronóstico clínico, los investigadores diseñaron otro modelo predictivo enfocado en el tiempo de recuperación. Este segundo algoritmo, basado en cinco variables (housing, deshidratación, vómitos con arcadas, olor fecal y desviación izquierda en leucocitos), logró estimar con un margen de error de apenas 2 días la duración del proceso de recuperación, siendo el modelo de regresión lineal el más preciso.

"El objetivo era generar modelos útiles y realistas, que puedan aplicarse fácilmente en clínicas veterinarias sin necesidad de equipamiento costoso ni pruebas complejas", destacan los autores. Variables como el llanto del animal, la condición vacunal o la presencia de parásitos intestinales son datos accesibles en la mayoría de consultas, incluso en regiones con recursos limitados.