Un modelo basado en datos propone ver la enfermedad como un continuo, mejorando el manejo clínico y la investigación.
La esclerosis múltiple (EM) afecta a cerca de 2.9 millones de personas en el mundo y, hasta ahora, ha sido clasificada en subtipos clínicos como remitente-recurrente, secundaria progresiva o primaria progresiva. Sin embargo, esta categorización, basada en la manifestación de síntomas, no siempre refleja la biología de la enfermedad ni predice con precisión su evolución. Un estudio de investigadores de Oxford publicado en Nature Medicine propone un cambio de paradigma mediante el uso de artificial intelligence (AI) para comprender la EM como un proceso continuo.
El equipo internacional de investigadores analizó más de 8 mil pacientes y más de 35 mil resonancias magnéticas provenientes de ensayos clínicos, a los que se sumaron cohortes de validación en otros estudios y en contextos de práctica médica real. Con técnicas de machine learning or machine learning probabilístico, los científicos identificaron cuatro dimensiones clave de la enfermedad: discapacidad física, daño cerebral, recaídas y actividad subclínica detectada en imágenes.
A partir de estos ejes, los autores definieron estados de la enfermedad que conforman un espectro entre la esclerosis múltiple temprana o leve (EME) y las fases avanzadas. El análisis mostró que la progresión suele ocurrir a través de etapas inflamatorias, con o sin síntomas visibles, antes de llegar a estados de mayor discapacidad. Una vez alcanzada la fase avanzada, es poco probable revertir el deterioro.
Por su parte, el Dr. Habib Ganjgahi, investigador sénior y especialista en estadística: machine learning y análisis de imágenes en el Instituto de Big Data, expresó: “Hemos desarrollado un método de AI, basado en el machine learning probabilístico, que ofrece una visión única y unificada de la esclerosis múltiple. Al integrar datos diversos a lo largo del tiempo, nuestro enfoque ayuda a reclasificar la enfermedad de una manera que podría orientar el pronóstico y acelerar el desarrollo de futuros tratamientos”.
El modelo, denominado FAHMM (Análisis factorial probabilístico escalable con modelo oculto de Markov), permitió trazar rutas de transición entre los distintos estados de la enfermedad y predecir el riesgo individual de empeoramiento. Además, se comprobó que los tratamientos modificadores de la enfermedad reducen significativamente la probabilidad de que los pacientes pasen de fases iniciales a fases activas o de recaída, retrasando así el avance hacia etapas más graves.
El Dr. Ganjgahi también detalló que es fundamental reconocer que este marco no se limita a la EM, sino que puede aplicarse a otras afecciones con datos longitudinales, lo cual abre la puerta a conocimientos más amplios sobre múltiples enfermedades.
Los investigadores destacan que esta nueva clasificación rompe con la idea de subtipos rígidos y propone en cambio una visión unificada de la EM como un continuo dinámico, lo que facilitaría un mejor manejo de los pacientes y optimizaría el desarrollo de nuevos fármacos.
Los hallazgos representan un paso al frente hacia la medicina personalizada en la esclerosis múltiple. Este modelo integra datos clínicos y de imágenes bajo un enfoque impulsado por AI, lo cual abre la posibilidad de mejorar la predicción de la evolución de la enfermedad y de diseñar estrategias terapéuticas más efectivas. Además, como mencionaron los autores, considerar la EM como un espectro en lugar de subtipos separados podría transformar tanto la práctica clínica como la investigación en este campo.
