BOSTON, USA. En pacientes con esclerosis múltiple primaria progresiva, el aprendizaje automático puede predecir la progresión con una precisión razonable con base en el transcriptoma sanguíneo, según un estudio de prueba de concepto presentado en el Congreso Anual de la American Academy of Neurology (AAN) de 2023.[1]
La precisión fue suficiente para que el autor principal del estudio, Michael Gurevich, Ph. D., jefe del Laboratorio de Neuroinmunología en el Centro de Esclerosis Múltiple del Sheba Medical Center en Ramat Gan, Israel, dijera que ya es clínicamente viable incluso cuando la herramienta sigue evolucionando.
"Estamos buscando tamaños de muestra más grandes para mejorar la precisión y la capacidad de generalización de nuestro modelo, pero ahora podemos usarlo para informar las decisiones de tratamiento", dijo Gurevich.
En pacientes con esclerosis múltiple primaria progresiva que tienen un curso muy variable, el modelo predice la progresión de la discapacidad con una precisión de aproximadamente 70%, según los datos que presentó. Subrayó que cree que esto ya está en un nivel que es significativo para un cálculo de riesgo-beneficio al considerar el tratamiento.
El aprendizaje automático analiza muestras de sangre
El estudio se basa en el concepto de que la información genética que rige procesos fisiopatológicos de alta complejidad está contenida en la secuenciación del ácido ribonucleico (ARN). Si bien las ómicas multimodales generan datos que son demasiado complejos para el reconocimiento de patrones humanos, existe un creciente cuerpo de evidencia, incluida la proporcionada por este estudio, que sugiere que el aprendizaje automático puede emplear estos mismos perfiles de ARN y predecir la actividad de la enfermedad.
En este estudio, se recolectaron muestras de sangre de pacientes que participaron en el ensayo clínico de fase 3 ORATORIO que condujo a la aprobación de ocrelizumab para esclerosis múltiple primaria progresiva.[1] Los análisis se realizaron solo en muestras de sangre de los que recibieron placebo al azar, quienes, al igual que los del grupo de tratamiento activo, se evaluaron al inicio y en intervalos de 12 semanas durante más de dos años.
Después del desarrollo de un modelo de predicción y la creación de un conjunto de datos de entrenamiento, se aplicó el aprendizaje automático a la secuenciación profunda de los datos del transcriptoma sanguíneo para predecir dos desenlaces. Uno fue la progresión de la enfermedad a las 120 semanas, definida como un aumento de 1 punto o más en la Expanded Disability Status Scale (EDSS) entre pacientes con progresión de la discapacidad confirmada durante al menos 12 semanas (12W-CDP).
El otro desenlace fue el cambio a las 120 semanas en la morfología cerebral definida como una reducción de 1% o más en el volumen cerebral (120W PBVC [porcentaje de cambio del volumen cerebral]).
Las muestras de sangre periférica se sometieron a análisis de secuenciación de ARN utilizando técnicas de análisis comercialmente disponibles. El modelo de predicción para el desenlace de discapacidad se basó en los datos generados a partir del transcriptoma sanguíneo de 135 pacientes, de los cuales 53 (39%) cumplieron el criterio de desenlace a las 120 semanas. El modelo de predicción del cambio en la morfología del cerebro se basó en el transcriptoma sanguíneo de 94 pacientes, de los cuales 63 (67%) cumplieron el criterio de desenlace.
Con base en 10 genes que diferenciaron más significativamente a los que cumplieron con el criterio de desenlace de la discapacidad de los que no lo hicieron, el reconocimiento automático de patrones después del entrenamiento pudo predecir correctamente el resultado en 70,9%. La sensibilidad fue de 55,6% y la especificidad de 79,0%. Los valores predictivos positivo y negativo fueron 59,0% y 76,8%, respectivamente.
Con base en los 12 genes que diferenciaron más significativamente a los que alcanzaron el desenlace de porcentaje de cambio del volumen cerebral a las 120 semanas de los que no lo hicieron, el aprendizaje automático dio como resultado una predicción correcta de los resultados en 75,1%. La sensibilidad fue de 78,1% y la especificidad de 66,7%. Los valores predictivos positivo y negativo fueron 83,3% y 58,8%, respectivamente
Típico de una población de un ensayo clínico de esclerosis múltiple primaria progresiva, la edad promedio de los pacientes fue de aproximadamente 44 años. La duración media de la enfermedad fue de unos seis años. La mayoría de los pacientes tenían una puntuación en la Expanded Disability Status Scale inferior a 5,5 al inicio del estudio. El número basal de lesiones T2 fue de aproximadamente 50.
Según Gurevich, si otros validan esto y se realizan estudios más grandes, este tipo de información podría desempeñar un papel valioso en el manejo de la esclerosis múltiple primaria progresiva. Ahora que existe una terapia aprobada para la esclerosis múltiple primaria progresiva, puede ayudar a los médicos y pacientes a determinar si iniciar el tratamiento temprano para abordar el alto riesgo de progresión o retrasar el tratamiento que podría no ser necesario.
Una herramienta útil
En el campo de la esclerosis múltiple, la mayoría de los estudios realizados con aprendizaje automático se han centrado en el análisis de imágenes radiológicas. Sin embargo, otros ahora están considerando el transcriptoma sanguíneo como un camino potencial para clasificar mejor una enfermedad altamente compleja con una heterogeneidad sustancial en la presentación, la progresión y el resultado.
Por ejemplo, el aprendizaje automático del transcriptoma sanguíneo también ha demostrado una gran precisión en el diagnóstico y la clasificación de la esclerosis múltiple en pacientes con síndrome clínico aislado. Un estudio, publicado en Cell Reports Medicine, fue dirigido por Cinthia Farina, Ph. D., Institute of Experimental Neurology, IRCCS San Raffaele Scientific Institute, en Milán, Italia.[2]
Aunque no escuchó la presentación de Gurevich, Farina está entusiasmada con el potencial del aprendizaje automático para ayudar a controlar la esclerosis múltiple a través del análisis del transcriptoma sanguíneo. "Creo que la transcriptómica en las células inmunitarias periféricas puede convertirse en una herramienta útil para el diagnóstico y el pronóstico de la esclerosis múltiple", dijo.
En su propio estudio, en el que se desarrollaron y entrenaron algoritmos de aprendizaje automático utilizando sangre periférica de pacientes con síndrome clínico aislado, la herramienta demostró ser precisa y con un gran potencial para incorporarse al manejo clínico de rutina.
"El aprendizaje automático aplicado a los transcriptomas sanguíneos fue extremadamente eficiente, con una precisión de 95,6% en la discriminación de la esclerosis múltiple primaria progresiva de la remitente recurrente", informó.
Gurevich, Ph. D., ha declarado no tener ningún conflicto de interés económico pertinente. Informó que la financiación del estudio fue proporcionada por Roche. Farina, Ph. D., informó relaciones financieras con Merck-Serono, Novartis y Teva.
Este contenido fue originalmente publicado en MDedge.com, parte de la Red Profesional de Medscape.
Para más contenido suscríbase a nuestros boletines y siga a Medscape en Facebook, Twitter, Instagram y YouTube.
CRÉDITO
Imagen principal: Fizkes/Dreamstime
Medscape Noticias Médicas © 2023
Citar este artículo: El aprendizaje automático puede predecir el avance de la esclerosis múltiple primaria progresiva - Medscape - 12 de mayo de 2023.
Comentario