Uso de métodos de aprendizaje automático para investigar el papel de los compuestos orgánicos volátiles en la...

Área de la Ciencia:

• Hepatología
• Descubrimiento de biomarcadores
• Biología computacional

Sus antecedentes:

• La enfermedad hepática grasa no alcohólica (NAFLD, por sus siglas en inglés) afecta al 25-30% de la población mundial.
• Los métodos de detección precisos y no invasivos para la ENAFL son cruciales.

Objetivo del estudio:

• Investigar la eficacia del uso de compuestos orgánicos volátiles (COV) y el aprendizaje automático (Mach-L) para la detección de la EHGNA.
• Comparar el rendimiento predictivo de los modelos con y sin datos de COV.

Principales métodos:

• Se analizó una cohorte de 1.501 individuos de la cohorte de MJ de Taiwán.
• Las muestras de aliento exhalado se analizaron utilizando espectrometría de masa de tubo de flujo de iones seleccionados para identificar 341 COV.
• Se utilizaron diez algoritmos Mach-L para evaluar modelos predictivos que incorporan datos demográficos, de estilo de vida, bioquímicos y COV.

Principales resultados:

• Los modelos de predicción de NAFLD que incorporan COV demostraron una mejor precisión (AUC 0,770 ± 0,264) en comparación con los modelos sin COV (AUC 0,722 ± 0,149).
• Los principales predictores de la EHGNA incluyeron el IMC, los triglicéridos, el ácido úrico, la glucosa plasmática en ayunas y el género.
• Se identificaron diez compuestos orgánicos volátiles específicos como altamente influyentes en la predicción de la EHGNA.

Conclusiones:

• La integración de los compuestos orgánicos volátiles en los modelos predictivos mejora significativamente la detección de la NAFLD.
• Los COV muestran potencial como biomarcadores no invasivos asociados con la fisiopatología de la EHGNA.