Salud Pública

Área de la Ciencia:

• Neurociencia computacional
• Ingeniería biomédica
• Inteligencia artificial en medicina

Sus antecedentes:

• Los datos extensos sobre los factores de riesgo de la enfermedad de Alzheimer y demencias relacionadas (ADRD) (genéticos, de estilo de vida, ambientales) carecen de consenso para la predicción del riesgo individual.
• Los resultados contradictorios de estudios sobre factores como el ejercicio, la diabetes y la vitamina D complican la evaluación del riesgo de ADRD.
• Los enfoques actuales luchan por integrar datos diversos, lo que dificulta la predicción y prevención personalizadas de ADRD.

Objetivo del estudio:

• Desarrollar un modelo causal para integrar datos dispares de riesgo y resiliencia de ADRD.
• Reconciliar hallazgos contradictorios de varios estudios sobre factores de riesgo de ADRD.
• Permitir la predicción individualizada del riesgo de ADRD y estrategias de tratamiento personalizadas utilizando gemelos digitales.

Principales métodos:

• Desarrolló un modelo mecanicista de la salud cerebral y la neurodegeneración utilizando principios de ingeniería (balance de masas, bucles de retroalimentación).
• Calibró el modelo con datos diversos (in vitro, in vivo, clínicos, post-mortem) e identificó variabilidad biológicamente relevante.
• Generó una población digital que replica los datos de cociente de peligros y Kaplan-Meier para servir como prior bayesiano.

Principales resultados:

• El modelo causal reconcilia datos contradictorios, proporcionando un marco consistente para comparar los tamaños del efecto de los factores de riesgo.
• Estratificó las poblaciones digitales en subgrupos basados en mecanismos de compensación biológica fallidos.
• Se crearon gemelos digitales individuales utilizando inferencia bayesiana para la predicción personalizada del riesgo de ADRD y la guía del tratamiento.

Conclusiones:

• Las herramientas computacionales son esenciales para sintetizar la investigación de ADRD en hipótesis causales y modelar la etiología de la enfermedad.
• Los modelos mecanicistas integrados con IA proporcionan un marco ideal para combinar diversos conjuntos de datos y conocimiento previo.
• Una plataforma escalable para crear gemelos digitales puede mejorar la atención médica y optimizar las estrategias de tratamiento personalizadas para ADRD.