Los modelos de aprendizaje automático basados en proteínas de unión de ácidos grasos adipocíticos ayudan a predecir...

Área de la Ciencia:

• Hepatología
• Los biomarcadores
• Aprendizaje automático en medicina

Sus antecedentes:

• La lesión hepática inducida por drogas (DILI) puede conducir a resultados crónicos o fatales.
• No se comprende bien el papel de la proteína de unión de los ácidos grasos adipocíticos (AFABP) en la progresión de la DILI.

Objetivo del estudio:

• Investigar la asociación entre el AFABP y la progresión de DILI.
• Desarrollar modelos de aprendizaje automático para predecir los resultados de DILI crónicos o letales.

Principales métodos:

• 331 pacientes con DILI fueron seguidos durante 6 meses para categorizar los resultados (recuperación, cronicidad, muerte/ trasplante de hígado).
• Los niveles séricos y hepáticos de AFABP se midieron mediante ELISA y inmunohistoquímica.
• Los modelos de aprendizaje automático (Extreme Gradient Boosting, regresión logística) fueron entrenados y validados para predecir los resultados de DILI basados en AFABP sérico.

Principales resultados:

• Los niveles de AFABP en suero y hígado se correlacionan con la progresión de DILI.
• El modelo Extreme Gradient Boosting logró un AUROC de 0,87 (entrenamiento) y 0,90 (validación) para predecir el DILI crónico.
• El modelo de regresión logística logró un AUROC de 0,90 (entrenamiento) y 0,92 (validación) para predecir la muerte / trasplante de hígado, superando a los modelos anteriores.

Conclusiones:

• El AFABP sérico es un predictor significativo de la progresión de DILI.
• Los modelos de aprendizaje automático que incorporan AFABP demuestran una alta precisión en la predicción de los resultados de DILI.
• Estos modelos predictivos pueden potencialmente mejorar el manejo clínico de los pacientes con DILI.