Autora: Elena Rodríguez
En una época donde la medicina personalizada está en auge, identificar correctamente las características de cada enfermedad en cada persona es cada vez más importante. Los biomarcadores son características biológicas que informan sobre el estado de salud de una persona. Se utilizan para estimar el riesgo de desarrollar una enfermedad, identificarla, conocer su evolución, predecir la respuesta a un tratamiento o detectar sus efectos adversos. Por tanto, un biomarcador debe contribuir en la toma de una decisión clínica.
¿Qué es un biomarcador?
Los biomarcadores se han venido utilizando desde prácticamente el inicio de la medicina, aunque el término aparece por primera vez en 1973 (1). La definición médica llegó en 2001, por parte del Grupo de Trabajo de Definiciones de Biomarcadores del NIH, como una característica que se mide y evalúa objetivamente como indicador de procesos biológicos normales, procesos patogénicos o respuestas farmacológicas a una intervención terapéutica (2). El trabajo se amplió posteriormente con el glosario BEST (Biomarkers, EndpointS, and other Tools), que mantiene la misma definición e incluye dos especificaciones: los biomarcadores pueden ser características moleculares, histológicas, radiográficas o fisiológicas, y un biomarcador es una medida de un proceso biológico subyacente, no un indicador de cómo se siente, funciona o sobrevive un individuo (3).
BEST distingue distintas categorías que sirven para identificar quién puede desarrollar la enfermedad (de susceptibilidad o riesgo), quién tiene la enfermedad (diagnósticos), qué puede ocurrir cuando la enfermedad está presente (pronósticos), y quién puede beneficiarse de una intervención (predictivos), así como para seguir la evolución de la enfermedad (de monitorización), la respuesta a un tratamiento (de respuesta o farmacodinámicos), y la toxicidad (de seguridad). Además, es posible combinar varias medidas en la forma de biomarcadores compuestos, como el índice FIB-4 que combina edad, transaminasas y plaquetas para estimar el riesgo de fibrosis hepática avanzada antes de recurrir a métodos invasivos como la biopsia (4).
Aunque está fuera del foco de esta entrada, conviene mencionar que no todos los biomarcadores informan únicamente sobre las características biológicas de la persona, sino que algunos son también la diana sobre la que actúa el medicamento.
¿Qué hace bueno a un biomarcador?
Se suele pensar que un biomarcador es bueno cuando discrimina entre el grupo A y el grupo B. Pero no siempre es así. En muchos estudios, los grupos A y B pertenecen a poblaciones homogéneas y seleccionadas con criterios estrictos, por lo que es difícil saber si el resultado se mantendrá cuando traslademos el biomarcador a otras poblaciones. Además, aunque la capacidad de discriminación se mantenga, el umbral para pasar de un grupo a otro puede variar.
Un ejemplo ilustrativo es el de la troponina como biomarcador diagnóstico de infarto agudo de miocardio. Los niveles circulantes de troponina son, en general, inferiores en mujeres que en hombres, por lo que el empleo de un umbral único puede reducir la sensibilidad diagnóstica en mujeres y contribuir a su infradiagnóstico. Por este motivo, la Cuarta Definición Universal del Infarto de Miocardio recomienda utilizar umbrales específicos por sexo (5). Sin embargo, esta recomendación se recoge de manera diferente en los algoritmos de las guías europeas y estadounidenses (6,7). Es decir: el mismo biomarcador con la misma indicación puede manejarse con umbrales distintos según dónde se acuda al médico.
En el extremo opuesto está la ecuación de la tasa de filtrado glomerular basada en la creatinina, que tradicionalmente incluía un coeficiente de ajuste para las personas negras y podía sobreestimar su filtrado glomerular. Como consecuencia, se podían retrasar decisiones clínicas como la clasificación de enfermedad renal y la derivación a nefrología. La eliminación de la raza como factor de corrección en la práctica clínica muestra que la calibración de un biomarcador puede cambiar quién recibe una intervención y cuándo (8).
Por tanto, la validación de un biomarcador no termina cuando se demuestra una asociación con una enfermedad o incluso cuando aparece en una guía de práctica clínica. Se debe seguir demostrando que dicho biomarcador contribuye a la toma de decisiones médicas que mejoren los resultados en salud.
¿Cómo se evalúan los biomarcadores?
En la carrera por la medicina personalizada abundan las publicaciones proponiendo nuevos biomarcadores, pero la mayoría no llega a dar el salto del laboratorio a la clínica. Como se ha señalado, el problema no es identificar nuevos biomarcadores, sino que estos sean relevantes en la toma de decisiones, lo que exige validez analítica y clínica, coste-efectividad e impacto organizativo (9).
En este proceso, lo que más llama la atención es que no existe una evaluación regulatoria del biomarcador como tal en la práctica clínica. Las transaminasas o la troponina forman parte de la práctica habitual de los laboratorios del SNS porque la cartera común de servicios recoge de manera genérica los exámenes y procedimientos diagnósticos, pero no porque exista una lista de biomarcadores aprobados. Quienes recomiendan los biomarcadores a emplear y sus umbrales son las sociedades científicas a través de sus guías de práctica clínica, que son posteriormente adoptadas por los servicios de los hospitales. Al no haber un organismo independiente que evalúe sistemáticamente los biomarcadores empleados en la práctica clínica y sus umbrales, no existe un procedimiento estandarizado para identificar y corregir si un biomarcador o umbral está establecido inadecuadamente.
La situación cambia cuando el biomarcador está ligado al desarrollo o el uso de un medicamento. La EMA dispone de un procedimiento de cualificación de biomarcadores para usos específicos, aunque es una vía poco utilizada -entre 2008 y 2020, se tramitaron 86 procesos, de los cuales únicamente 13 fueron cualificados (10)- y sin equivalencia a una autorización para su uso en la práctica clínica. Por otro lado, las fichas técnicas recogen información sobre biomarcadores asociados a medicamentos. Con el objetivo de facilitar el acceso a esta información y favorecer la implementación de la farmacogenética en el SNS, se ha creado la base de datos de biomarcadores farmacogenómicos de la AEMPS (11). En cualquier caso, la inclusión en esta base de datos no conlleva una validación adicional a la ya realizada durante la evaluación del medicamento en cuestión.
¿Cuál es el futuro de los biomarcadores?
La capacidad de caracterizar cada vez mejor a cada paciente ha abierto la puerta al desarrollo de multitud de biomarcadores. Aquí juega un papel importante la inteligencia artificial, que no solo se usa para descubrir nuevos biomarcadores, sino especialmente para integrar y extraer información de biomarcadores y pruebas que ya se utilizan en la práctica clínica (12).
Una forma de optimización es la integración de biomarcadores, ya sea del mismo o de diferentes tipos -por ejemplo de imagen y moleculares-, en un único biomarcador compuesto que mejore la capacidad diagnóstica o predictiva de cada uno por separado. Por otro lado, hay multitud de esfuerzos dirigidos a extraer información adicional de pruebas diagnósticas que se realizan de manera rutinaria, con el fin de identificar características o patrones que pasan desapercibidos en los análisis tradicionales. Por ejemplo, desde preparaciones histológicas, imágenes de resonancia magnética o ecografías.
Esto podría ser un gran avance en la medicina no solo por una mejor caracterización de los pacientes, sino porque, al extraer nueva información de pruebas que ya se hacen de manera rutinaria, se favorece un acceso más equitativo. Sin embargo, la mayoría de los algoritmos desarrollados con inteligencia artificial son sensibles a la población en la que se han entrenado y pueden rendir de forma diferente cuando se validan en otras poblaciones, aunque estas sean aparentemente similares. Además, su complejidad puede dificultar la evaluación de su calibración y su posterior recalibración (13).
Volviendo a la casilla de salida, el reto no está en ampliar el catálogo de biomarcadores, sino en determinar cuáles ayudan a tomar decisiones que mejoren el manejo de los pacientes sin introducir sesgos entre poblaciones o subgrupos. Esta decisión no es solo clínica, sino económica y social: un biomarcador bien elegido y bien calibrado evita pruebas innecesarias, tratamientos ineficaces y diagnósticos tardíos, mientras que uno mal implantado desperdicia recursos del sistema y puede impedir el acceso a las decisiones clínicas de determinados grupos. Todo ello exige establecer una forma sistemática de evaluar su utilidad antes y durante su incorporación a la práctica clínica, teniendo en cuenta no solo su rendimiento diagnóstico o predictivo, sino también su impacto sobre los resultados en salud, los recursos empleados y la equidad en el acceso a las decisiones asociadas.
Referencias
1. Rho JH, Bauman AJ, Boettger HG, Yen TF. A search for porphyrin biomarkers in Nonesuch Shale and extraterrestrial samples. Space Life Sci. 1973;4(1):69-77. doi:10.1007/BF02626343
2. Biomarkers Definitions Working Group. Biomarkers and surrogate endpoints: preferred definitions and conceptual framework. Clin Pharmacol Ther. 2001;69(3):89-95. doi:10.1067/mcp.2001.113989
3. FDA-NIH Biomarker Working Group. BEST (Biomarkers, EndpointS, and other Tools) Resource [Internet]. Silver Spring (MD): Food and Drug Administration (US); 2016 [citado 24 de agosto de 2026]. Disponible en: http://www.ncbi.nlm.nih.gov/books/NBK326791/ PubMed PMID: 27010052.
4. European Association for the Study of the Liver (EASL), European Association for the Study of Diabetes (EASD), European Association for the Study of Obesity (EASO). EASL-EASD-EASO Clinical Practice Guidelines on the management of metabolic dysfunction-associated steatotic liver disease (MASLD). J Hepatol. 2024;81(3):492-542. doi:10.1016/j.jhep.2024.04.031
5. Thygesen K, Alpert JS, Jaffe AS, Chaitman BR, Bax JJ, Morrow DA, et al. Fourth universal definition of myocardial infarction (2018). Eur Heart J. 2019;40(3):237-69. doi:10.1093/eurheartj/ehy462
6. Gulati M, Levy PD, Mukherjee D, Amsterdam E, Bhatt DL, Birtcher KK, et al. 2021 AHA/ACC/ASE/CHEST/SAEM/SCCT/SCMR Guideline for the Evaluation and Diagnosis of Chest Pain: Executive Summary: A Report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines. Circulation. 2021;144(22):e368-454. doi:10.1161/CIR.0000000000001030
7. Byrne RA, Rossello X, Coughlan JJ, Barbato E, Berry C, Chieffo A, et al. 2023 ESC Guidelines for the management of acute coronary syndromes. Eur Heart J. 2023;44(38):3720-826. doi:10.1093/eurheartj/ehad191
8. Kidney Disease: Improving Global Outcomes (KDIGO) CKD Work Group. KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. Kidney Int. 2024;105(4S):S117-314. doi:10.1016/j.kint.2023.10.018
9. Horvath AR, Lord SJ, StJohn A, Sandberg S, Cobbaert CM, Lorenz S, et al. From biomarkers to medical tests: the changing landscape of test evaluation. Clin Chim Acta. 2014;427:49-57. doi:10.1016/j.cca.2013.09.018
10. Bakker E, Hendrikse NM, Ehmann F, van der Meer DS, Llinares Garcia J, Vetter T, et al. Biomarker Qualification at the European Medicines Agency: A Review of Biomarker Qualification Procedures From 2008 to 2020. Clin Pharmacol Ther. 2022;112(1):69-80. doi:10.1002/cpt.2554
11. Base de datos de biomarcadores farmacogenómicos | AEMPS. Agencia Española de Medicamentos y Productos Sanitarios [Internet]. [citado 27 de agosto de 2026]. Disponible en: https://www.aemps.gob.es/medicamentos-de-uso-humano/base-de-datos-de-biomarcadores-farmacogenomicos/
12. Azarfar G, Naimimohasses S, Rambhatla S, Komorowski M, Ferro D, Lewis PR, et al. Responsible adoption of multimodal artificial intelligence in health care: promises and challenges. Lancet Digit Health. 2025;7(12):100917. doi:10.1016/j.landig.2025.100917
13. 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. doi:10.1136/bmj-2023-078378
