Un modelo de microbioma oral para predecir la enfermedad cardiovascular aterosclerótica

Área de la Ciencia:

• Investigación cardiovascular Investigación cardiovascular Investigación cardiovascular Investigación cardiovascular Investigación cardiovascular
• Análisis del microbioma Análisis del microbioma
• Aprendizaje automático en medicina.

Sus antecedentes:

• La enfermedad cardiovascular aterosclerótica (ASCVD) representa una carga significativa para la salud mundial.
• La detección temprana y la estratificación del riesgo son cruciales para una prevención primaria efectiva.
• Los factores de riesgo tradicionales pueden no capturar completamente el perfil de riesgo de ASCVD de un individuo.

Objetivo del estudio:

• Desarrollar un modelo predictivo para la aparición temprana de ASCVD.
• Integrar los datos del microbioma oral con los factores de riesgo clínico establecidos.
• Mejorar la precisión de los modelos de predicción de riesgo de ASCVD.

Principales métodos:

• Estudio retrospectivo de 331 participantes de entre 50 y 70 años sin VSAC previa.
• Caracterización del microbioma oral utilizando secuenciación de 16S rRNA / metagenómica.
• Desarrollo y validación de modelos de aprendizaje automático (Random Forest, Gradient Boosting, K-nearest Neighbor) que integran datos clínicos y del microbioma.

Principales resultados:

• El análisis multivariado identificó bacterias orales específicas (por ejemplo, Fusobacterium nucleatum, Prevotella) asociadas con el riesgo de ASCVD.
• El modelo de Bosque Aleatorio demostró el mayor rendimiento predictivo (entrenamiento AUC: 0.888, validación: 0.845).
• El modelo integrado mejoró significativamente la reclasificación del riesgo (NRI = 0,315, IDI = 0,227) en comparación con los datos clínicos solos.

Conclusiones:

• La combinación de datos del microbioma oral con factores clínicos mejora la precisión de la predicción del riesgo de ASCVD.
• Las firmas del microbioma oral representan un prometedor nuevo biomarcador para la prevención cardiovascular primaria.
• Este enfoque integrado ofrece una nueva estrategia potencial para identificar a las personas con alto riesgo de ASCVD.