El uso de la Inteligencia Artificial (IA) para encontrar una alternativa menos invasiva a la biopsia de hígado

El análisis de sangre podría ayudar a los médicos a diagnosticar y controlar la enfermedad hepática común en pacientes en riesgo.

Los endocrinólogos del Centro Médico de Diáconos Beth Israel (BIDMC, en sus siglas en inglés) han desarrollado una prueba no invasiva que puede ayudar a los médicos a controlar la salud del hígado de los pacientes. Al medir combinaciones de grasas, hormonas, carbohidratos y moléculas de azúcar presentes en el suero sanguíneo de los pacientes, el equipo de científicos utilizó el aprendizaje automático para desarrollar modelos que pueden diferenciar varias etapas de la enfermedad hepática con una precisión casi perfecta. El equipo informó sus hallazgos en la revista Metabolism, Clinical and Experimental, junto con un editorial adjunto que enfatiza el impacto potencial del modelo.

La enfermedad del hígado graso no alcohólico (NAFLD, en sus siglas en inglés) es la enfermedad hepática crónica más común en todo el mundo, que afecta a una de cada tres personas, y es especialmente frecuente entre los pacientes con diabetes tipo 2 y/u obesidad. Es posible que los pacientes con NAFLD nunca desarrollen más complicaciones, pero alrededor del 25% de las personas con NALFD desarrollarán una inflamación hepática más grave llamada esteatohepatitis no alcohólica, o NASH, que eventualmente puede conducir a cirrosis o cáncer de hígado.

Hoy en día, los médicos evalúan la salud del hígado con una biopsia hepática, un método costoso que conlleva riesgos para el paciente y no siempre es representativo del estado real de todo el hígado.

“Sería imposible hacer biopsias en los 80 millones de estadounidenses en riesgo, e incluso si lo hiciéramos, resultaría en decenas de miles de sujetos que sufren complicaciones y alrededor de 16.000 muertes cada año por complicaciones”, explicó el autor principal Christos Mantzoros, MD, DSc, Director de la Unidad de Nutrición Humana en BIDMC y Profesor de Medicina en la Facultad de Medicina de Harvard. “Encontrar biomarcadores fáciles de obtener, relativamente económicos y confiables que puedan medirse con técnicas menos invasivas es una necesidad urgente e insatisfecha”.

Utilizando cinco técnicas diferentes de aprendizaje automático en dos plataformas diferentes, Mantzoros y su equipo generaron modelos predictivos novedosos que podrían diagnosticar el estado de salud del hígado de los pacientes con una precisión excelente. Un modelo que usa sólo 10 lípidos para detectar la presencia de fibrosis hepática (el desarrollo de tejido fibroso en el órgano que puede ser indicativo de lesión o enfermedad) alcanzó un 98% de precisión.

Mantzoros y su equipo analizaron suero sanguíneo extraído de 80 personas con un estado de salud hepático conocido según el diagnóstico de una biopsia hepática tradicional evaluada por dos patólogos independientes. De los 80 participantes, 49 no tenían enfermedad hepática, 15 pacientes fueron diagnosticados con la NAFLD de menor riesgo y 16 pacientes con la NASH más grave. Luego, los científicos analizaron las diferencias en la concentración sanguínea de 366 lípidos, 23 ácidos grasos, 62 glicanos (moléculas a base de carbohidratos o azúcar) y cuatro hormonas, todos actores conocidos en el desarrollo de la enfermedad hepática, en los tres grupos de pacientes.

“Medimos tantas moléculas circulantes como razonablemente posible y luego dejamos que el aprendizaje automático y la inteligencia artificial elijan los mejores conjuntos de moléculas que predecirían los resultados con mayor precisión”, afirmó Mantzoros. “Aunque el número de sujetos parece pequeño dados los diseños de estudio convencionales, el empleo de modelos de inteligencia artificial potentes y novedosos nos permitió obtener resultados precisos, de hasta el 98% en algunos casos. Estos modelos pueden servir como método alternativo rentable y de bajo riesgo a la biopsia hepática para el diagnóstico y monitoreo de NAFLD”, añadió.

Otros estudios buscarán validar los modelos en estudios más grandes con participantes con mayor diversidad étnica, así como incluir variables adicionales útiles para mejorar las capacidades predictivas de los modelos, como el perfil genético de los pacientes, la información clínica, incluida la edad y el IMC. Dichas herramientas de diagnóstico mejoradas pueden tener la capacidad de diferenciar también entre subgrupos dentro de cada categoría, incluidas las etapas de fibrosis.

Fuente: miragenews.com

Autores: Nikolas Perakakis, MD, de BIDMC; Stergios A. Polyzos, MD, MSc, PhD, y Jannis Kountoouras, MD, PhD de la Universidad Aristóteles de Salónica; Alireza Yazdani, PhD, de la Universidad Brown; Aleix Sala-Vila, DPharm, PhD, del Instituto de Salud Carlos III; y, Athanasios D. Anastasilakis, MD, PhD, del 424 General Military Hospital, Thessaloniki.

Artículo traducido por ASSCAT