Investigadores de Dana-Farber Cancer Institute y Mass General Brigham desarrollaron Aladynoulli, un modelo que supera a las herramientas clínicas actuales para predecir enfermedades cardiovasculares y cáncer de mama.
Investigadores del Dana-Farber Cancer Institute, en colaboración con Mass General Brigham, desarrollaron un algoritmo capaz de predecir de forma simultánea la probabilidad de que un paciente desarrolle 348 enfermedades distintas. La herramienta, descrita en la revista Nature, es la primera en generar predicciones multienfermedad utilizando únicamente datos de expedientes clínicos electrónicos recolectados de forma rutinaria junto con información sobre el riesgo genético del paciente. El sistema actualiza sus evaluaciones de riesgo de manera dinámica con el tiempo y su capacidad predictiva mejora conforme el paciente envejece.
El equipo, encabezado por los coautores principales Alexander Gusev y Giovanni Parmigiani, ambos investigadores de Dana-Farber, Pradeep Natarajan, del Massachusetts General Hospital (MGH), y la primera autora Sarah Urbut, cardióloga del MGH, combinó modelado probabilístico con aprendizaje automático o machine learning en un diseño que busca que las predicciones del modelo sean tanto precisas como interpretables desde el punto de vista biológico.
Los investigadores emplearon modelado probabilístico para definir 20 “firmas” biológicas, es decir, conjuntos de tendencias biológicas con alta probabilidad de originar ciertas enfermedades. El colesterol elevado en el historial de un paciente, por ejemplo, incrementa la probabilidad de enfermedades cardiovasculares. Estas firmas también incorporan variaciones genéticas conocidas por aumentar la probabilidad de una enfermedad, y son complejas y se superponen entre sí; el riesgo de cáncer de colon, por ejemplo, está asociado con varias firmas distintas de manera simultánea.
Alexander Gusev, científico de Dana-Farber y coautor principal del estudio, declaró que se trata de un algoritmo novedoso que analiza las trayectorias clínicas completas de los pacientes para generar predicciones muy precisas sobre transiciones de enfermedades hacia el futuro, y que la herramienta ofrece una vía para mejorar la predicción de enfermedades futuras de modo que médicos y pacientes puedan actuar para intentar prevenirlas.
Por su parte, Giovanni Parmigiani explicó a Dana-Farber que las firmas del modelo fueron curadas de manera minuciosa, lo cual representa un diferenciador importante frente a los enfoques de aprendizaje profundo, que suelen operar como “cajas negras”; según el investigador, las firmas curadas capturan la biología subyacente de forma interpretable y son las que impulsan la capacidad predictiva del modelo.
El modelo, llamado Aladynoulli en referencia a Aladino y su acceso a genios que conceden deseos, combinado con la idea de predicciones dinámicas basadas en probabilidades tal como las definió el matemático Jacob Bernoulli, fue entrenado y validado con tres biobancos de gran escala que en conjunto incluyeron más de 683 mil expedientes de pacientes. La herramienta superó a modelos de riesgo cardiovascular ya existentes, entre ellos la Ecuación de Cohortes Combinadas (PCE), QRISK3 y PREVENT, con predicciones a 10 años más precisas. También superó al modelo Gail de riesgo de cáncer de mama en predicciones a un año.
El sistema puede además predecir con muy alta precisión qué pacientes desarrollarán cáncer colorrectal en el próximo año. Detectar un riesgo elevado de cáncer colorrectal inminente podría ayudar a un médico de atención primaria a referir a un paciente para una colonoscopía, incluso si ese paciente aún no cumple la edad mínima establecida por las guías de detección vigentes. Dado que la incidencia de cáncer colorrectal de aparición temprana ha aumentado de forma considerable, este tipo de evaluación de riesgo podría ayudar a los médicos a intervenir de manera oportuna, cuando la enfermedad todavía es prevenible.
Pradeep Natarajan, director de Cardiología Preventiva en el Mass General Brigham Heart and Vascular Institute, declaró que en la práctica clínica dos pacientes con el mismo diagnóstico no son el mismo paciente, y que el modelo demuestra que con frecuencia tienen perfiles de firmas subyacentes distintos, lo cual puede traducirse en patrones de progresión y respuestas al tratamiento diferentes.
Entre los próximos pasos del equipo está utilizar el modelo para profundizar en por qué y cómo el melanoma, un tipo de cáncer de piel, se disemina hacia otros órganos. El grupo se asoció con el oncólogo médico de Dana-Farber David Liu para entrenar el modelo con el fin de identificar distintos patrones de metástasis, ya sea de propagación temprana o tardía, o de diseminación amplia o limitada, un trabajo que podría ayudar a identificar subtipos de la enfermedad no reconocidos previamente. Los investigadores también trabajan de forma simultánea en ampliar las firmas del modelo para aumentar la precisión y el fundamento biológico de sus predicciones, además de explorar oportunidades para implementarlo en la práctica clínica y como herramienta para mejorar el diseño de ensayos clínicos.
