Modelos de predicción impulsados por aprendizaje automático para el efecto terapéutico y la velocidad de respuesta de...

Área de la Ciencia:

• Dermatología y Biología Computacional
• La genómica y la bioinformática
• Medicina de precisión

Sus antecedentes:

• Las terapias biológicas han avanzado en el tratamiento de la psoriasis en placas.
• Las respuestas individuales de los pacientes a los medicamentos biológicos varían significativamente.
• Se necesitan modelos predictivos para la terapia personalizada de la psoriasis.

Objetivo del estudio:

• Desarrollar modelos de aprendizaje automático para predecir la respuesta de Brodalumab en pacientes con psoriasis en placas.
• Identificar los genes clave asociados con la respuesta al tratamiento.
• Apoyar las estrategias de tratamiento personalizado y la asignación de recursos.

Principales métodos:

• Se analizaron los datos transcriptómicos y clínicos de 116 pacientes con psoriasis en placas de moderada a grave.
• La expresión génica diferencial y la regresión de Lasso identificaron genes relacionados con la respuesta.
• Los modelos LightGBM fueron entrenados y validados mediante validación cruzada.

Principales resultados:

• Lasso identificó genes en vías conocidas de psoriasis y nuevos objetivos como WIF1 y SAA1.
• Los modelos de aprendizaje automático predijeron con precisión la respuesta al tratamiento de 12 semanas y la velocidad de respuesta de 4 semanas.
• Los modelos que utilizaron datos lesivos y no lesivos combinados lograron valores altos de AUC-ROC (hasta el 98,70%).

Conclusiones:

• Los modelos desarrollados ofrecen una predicción robusta de la respuesta de Brodalumab.
• Estas herramientas apoyan la medicina de precisión en el tratamiento de la psoriasis en placas.
• La selección optimizada del tratamiento puede mejorar los resultados de los pacientes y la utilización de los recursos.