Aprendizaje automático para la estratificación del riesgo de accidente cerebrovascular utilizando datos multiómicos:...

Área de la Ciencia:

• Bioinformática integradora y biología computacional
• Investigación traslacional sobre accidentes cerebrovasculares
• Medicina de precisión e inteligencia artificial

Sus antecedentes:

• El accidente cerebrovascular es una afección compleja que involucra múltiples vías biológicas.
• Los enfoques de ómica única son insuficientes; los datos multiómicos ofrecen información más profunda pero plantean desafíos analíticos.
• El aprendizaje automático (AM) puede abordar la complejidad multiómica, pero su precisión predictiva y reproducibilidad en el accidente cerebrovascular están poco exploradas.

Objetivo del estudio:

• Revisar sistemáticamente los modelos de AM que utilizan datos multiómicos para la estratificación del riesgo de accidente cerebrovascular.
• Analizar el rendimiento discriminatorio, las estrategias de integración de datos y las prácticas de validación/informe.
• Guiar los futuros avances metodológicos en AM multiómico para el accidente cerebrovascular.

Principales métodos:

• Búsqueda sistemática de literatura (PRISMA 2020) en 9 bases de datos (enero de 2000-julio de 2025).
• Criterios de inclusión: adultos, predicción de accidente cerebrovascular, ≥2 capas ómicas, se informaron métricas de rendimiento de AM.
• Se evaluó el riesgo de sesgo (PM-ROB) y la calidad del informe (MIMAR); resultado principal: Área bajo la curva característica operativa del receptor (AUC).

Principales resultados:

• 7 estudios (n=40,274) cumplieron los criterios, publicados entre 2022 y 2025, integrando 2 capas ómicas (p. ej., metabolómica-proteómica).
• Los algoritmos de AM supervisados incluyeron SVM, conjuntos de árboles, GLM y aprendizaje profundo.
• Se reportó alta discriminación aparente (AUC 0,75-0,97), pero solo 3 estudios realizaron validación externa; la calibración y los puntos operativos se evaluaron raramente.

Conclusiones:

• Los modelos de AM multiómicos demuestran un alto rendimiento aparente en la estratificación del riesgo de accidente cerebrovascular, pero enfrentan limitaciones metodológicas.
• Los tamaños de muestra pequeños, la heterogeneidad del diseño y la presentación incompleta de informes dificultan la reproducibilidad y la generalización.
• La investigación futura requiere una evaluación sólida, validación externa y benchmarking para establecer la utilidad clínica para la atención de precisión del accidente cerebrovascular.