Un estudio avala el diagnóstico asistido por IA para enfermedades inmunológicas

Un nuevo estudio de la Universidad de Stanford (Estados Unidos) revela que un nuevo marco de aprendizaje automático, Mal-ID, puede descifrar el registro de infecciones y enfermedades pasadas del sistema inmunológico de un individuo, lo que proporciona una herramienta poderosa con el potencial de diagnosticar trastornos autoinmunes, infecciones virales y respuestas a vacunas con precisión.

Los métodos tradicionales de diagnóstico clínico para enfermedades autoinmunes u otras patologías inmunológicas tienden a depender de una combinación de examen físico, historial del paciente y varias pruebas de laboratorio para anomalías celulares o moleculares, un proceso largo que a menudo se complica por diagnósticos erróneos iniciales y sistemas ambiguos.

Estos enfoques hacen un uso limitado de los datos de los receptores de células B (BCR) y los receptores de células T (TCR) del sistema inmunológico adaptativo individual del paciente. En respuesta a patógenos, vacunas y otros estímulos antigénicos, los repertorios de BCR y TCR experimentan cambios a través de la expansión clonal, mutación somática y remodelación selectiva de las poblaciones de células inmunitarias.

La secuenciación de los receptores de linfocitos B y de los receptores de linfocitos T podría proporcionar una herramienta de diagnóstico integral, que potencialmente permitiría la detección simultánea de enfermedades infecciosas, autoinmunes y de mediación inmunitaria en una sola prueba. Sin embargo, sigue sin estar claro hasta qué punto la secuenciación del repertorio de receptores inmunitarios por sí sola puede clasificar las enfermedades de manera confiable y amplia.

Para abordar esto, Maxim Zaslavsky y sus colegas desarrollaron Mal-ID (MAchine Learning for Immunological Diagnosis), un marco de aprendizaje automático de tres modelos que analiza conjuntos de datos de receptores inmunes para identificar firmas de enfermedades infecciosas e inmunológicas y respuestas a vacunas en pacientes. Zaslavsky y su equipo entrenaron Mal-ID en datos de BCR y TCR recopilados sistemáticamente de 593 personas, incluidos pacientes con Covid-19, VIH y diabetes tipo 1, así como receptores de la vacuna contra la influenza y controles sanos.

Según los hallazgos, Mal-ID distinguió efectivamente seis estados de enfermedad distintos en 550 muestras pareadas de BCR y TCR con una puntuación AUROC multiclase de 0,986, lo que indica una precisión de clasificación excepcionalmente alta. Esta métrica refleja la capacidad del modelo para clasificar los casos positivos por encima de los negativos en todas las comparaciones de enfermedades. Aunque el modelo tuvo éxito en la diferenciación de Covid-19, VIH, lupus, DT1 e individuos sanos, lo que ilustra su potencial como una poderosa herramienta de diagnóstico.

Cabe señalar que el enfoque aún debe perfeccionarse, utilizando información clínica, antes de que pueda usarse con confianza en aplicaciones clínicas.

---