Los algoritmos de aprendizaje automático habilitados por la proteómica mejoran la predicción de enfermedades...

Área de la Ciencia:

• Descubrimiento de biomarcadores
• Proteomía
• Aplicaciones de aprendizaje automático en la salud

Sus antecedentes:

• La estimación del riesgo de enfermedad cardiovascular (ECV) es crucial para el tratamiento de pacientes con diabetes mellitus tipo 2.
• Se necesitan modelos de predicción de riesgos personalizados para la toma de decisiones clínicas efectivas.

Objetivo del estudio:

• Desarrollar y validar modelos personalizados de aprendizaje automático para predecir complicaciones de ECV en pacientes con DM2.
• Integrar datos proteómicos con características clínicas para una mejor predicción del riesgo de ECV.

Principales métodos:

• Se utilizaron datos del Biobanco del Reino Unido de 874 pacientes con DM2 y 2.920 proteínas Olink.
• Utilizó la regresión de Cox y LASSO para el cribado de proteínas.
• Se han construido modelos básicos (clínicos) y completos (proteómicos + clínicos) utilizando el bosque de supervivencia aleatoria.
• Evaluación del rendimiento del modelo utilizando índices de AUC, reclasificación y discriminación dependientes del tiempo.

Principales resultados:

• El modelo completo que integra datos proteómicos y clínicos demostró un rendimiento predictivo superior en comparación con el modelo básico.
• Los AUC dependientes del tiempo para el modelo completo fueron de 0,81 (3 años), 0,74 (5 años) y 0,74 (10 años).
• El modelo completo superó significativamente a los calculadores de riesgo de ECV establecidos (Framingham, ASCVD, Score2-Diabetes) y mejoró la identificación de individuos de alto riesgo (precisión del 79% frente al 69%).

Conclusiones:

• La proteómica tiene un potencial significativo para predecir complicaciones cardiovasculares en individuos diabéticos.
• El modelo proteómico mejorado desarrollado ofrece una mayor precisión en la identificación de pacientes con DM2 de alto riesgo.
• Se recomienda una validación adicional debido a las limitaciones del tamaño de la muestra y las limitaciones clínicas actuales de la proteómica.