La compleja patogénesis de la esclerosis múltiple (EM) ofrece diversas dianas para la intervención terapéutica. Además, se está investigando mucho para poder realizar el diagnóstico en una fase temprana. Esto se debe a que el inicio de una gestión personalizada del tratamiento podría reducir significativamente la carga de la enfermedad de los afectados. Aplicando la inteligencia artificial y captando biomarcadores eficaces, el objetivo podría estar al alcance de la mano.
La esclerosis múltiple (EM) sigue siendo la causa más común de discapacidad neurológica no traumática en adultos jóvenes. Afortunadamente, el descubrimiento de terapias modificadoras de la enfermedad (TME) altamente eficaces en las dos últimas décadas ha cambiado radicalmente las perspectivas de las personas con EM. Sin embargo, medir los resultados de la atención sanitaria es todo un reto. Los resultados comunicados por los médicos tratantes no suelen satisfacer las expectativas de los pacientes con EM, ya que algunas de sus dolencias no quedan registradas en los exámenes neurológicos rutinarios. Esto da lugar a malentendidos. Por otro lado, los médicos tratantes se enfrentan a lecturas que no reflejan de forma óptima el desarrollo de la enfermedad de la EM. Un ejemplo ilustrativo es la escala clínica EDSS utilizada habitualmente. En los últimos años, los resultados de una intervención clínica mediante los resultados comunicados por los pacientes (PRO) han cobrado cada vez más importancia. Los PRO se recogen directamente de los pacientes e incluyen síntomas, función, estado de salud y calidad de vida relacionada con la salud. Sin embargo, aún no existen directrices para la validación de los PRO. El objetivo es cambiar esta situación en un futuro próximo [1].
La inteligencia artificial apoya la medicina personalizada
El diagnóstico y la cuantificación de la carga de la enfermedad en la EM se han basado tradicionalmente en el reconocimiento de patrones visuales por parte de clínicos experimentados. Dada la cantidad de datos científicos, la heterogeneidad de la evolución de la enfermedad y el amplio espectro terapéutico, se han realizado grandes esfuerzos para aplicar la inteligencia artificial (IA) a la EM. Los métodos de aprendizaje automático (AM) analizan los datos para obtener patrones de decisión, mientras que las herramientas de aprendizaje profundo (AD) realizan una selección automática de las mejores características para resolver problemas. Estos dos enfoques se benefician principalmente de grandes conjuntos de datos, por lo que son útiles para estudios multicéntricos y para ensayos clínicos a gran escala. Los algoritmos de ML y DL son capaces de automatizar tareas repetitivas, analizar más datos en menos tiempo y lograr una mayor precisión y reproducibilidad que el homólogo humano. La aplicación de la IA ha dado resultados prometedores en el campo de las imágenes médicas (especialmente la IRM), permitiendo la segmentación automática de lesiones y tejidos, la clasificación de enfermedades y la síntesis de contrastes a partir de secuencias ampliadas. Este enfoque también es adecuado para el mundo en evolución de las “ómicas”, donde el análisis de grandes cantidades de datos procedentes de un único paciente es fundamental para la medicina personalizada [2].
Biomarcadores diana
La neurodegeneración y la activación astrocítica son características patológicas de la esclerosis múltiple progresiva y pueden cuantificarse mediante la cadena ligera del neurofilamento sérico (sNfL) y la proteína ácida fibrilar glial (sGFAP). Por lo tanto, sNfL y sGFAP se investigaron más a fondo como herramientas para estratificar a los pacientes con EM progresiva en función de la progresión y el estado de actividad de la enfermedad [3]. Para ello, se analizaron los valores de sNfL y sGFAP en 259 pacientes en los seis meses posteriores a la primera EDSS ≥3 confirmada como línea de base. Los pacientes progresivos se clasificaron como activos/no activos en función de las nuevas lesiones cerebrales/médula espinal o las recaídas en los dos años anteriores al inicio o durante el seguimiento. Se demostró que el sNfL era mayor en los pacientes progresivos con actividad de la enfermedad en los dos primeros años de seguimiento y durante todo el periodo de seguimiento disponible. Los niveles basales de sGFAP se asociaron positivamente con un mayor riesgo de progresión de la enfermedad confirmado a los seis meses. Esta relación fue más pronunciada en los pacientes con sNfL bajo. Los niveles elevados de sNfL se asociaron con un futuro deterioro cognitivo. En conjunto, se demostró que los niveles más altos de sGFAP eran un indicador de progresión, mientras que el sNfL reflejaba la actividad aguda de la enfermedad en la cohorte de EM progresiva. Así pues, los niveles de sGFAP y sNfL podrían utilizarse para estratificar a los pacientes con EM progresiva para su inclusión en estudios de investigación clínica y ensayos clínicos.
Congreso: 8º Congreso de la Academia Europea de Neurología (EAN)
Literatura:
- Pote C: Las personas con EM están en el centro: Estrategias para aplicar los resultados analógicos y digitales comunicados por los pacientes en la práctica habitual. EAN/ECTRIMS: Avances científicos para la transición inmediata a la práctica clínica en la esclerosis múltiple. SYMP02-1. Congreso EAN 2022.
- Rocca M: Diagnóstico y diagnóstico diferencial de la AI y la EM. Aplicación de la inteligencia artificial a la resonancia magnética en la esclerosis múltiple: del diagnóstico al pronóstico y el seguimiento. FW08-2. Congreso EAN 2022.
- Barro C, et al: Proteína ácida fibrilar glial sérica: un biomarcador de la progresión de la enfermedad en la esclerosis múltiple. Presentación oral. OPR-136 EAN Congreso 2022.
InFo NEUROLOGÍA Y PSIQUIATRÍA 2022, 20(4): 36
