Conexion

Investigadores del Cedars-Sinai han creado una herramienta basada en la inteligencia artificial (IA) que podría facilitar la predicción de si una persona sufrirá un evento cardiovascular.

La herramienta, descrita en The Lancet Digital Health, predijo con exactitud qué pacientes sufrirían un evento cardiovascular en los siguientes cinco años basándose en la cantidad y composición de la placa en las arterias que suministran sangre al corazón.

La acumulación de placa puede provocar el estrechamiento de las arterias, lo que dificulta la llegada de sangre al corazón, aumentando la probabilidad de sufrir un evento cardiovascular. Un estudio médico denominado Angiografía Coronaria por Tomografía Computada (ACTC) toma imágenes en 3D del corazón y las arterias y puede dar a los médicos una estimación del grado de estrechamiento de las arterias de un paciente. Sin embargo, hasta ahora no existía una forma sencilla, automatizada y rápida de medir la placa visible en las imágenes de la ACTC.

«La placa coronaria no suele medirse porque no existe una forma totalmente automatizada de hacerlo», afirma el doctor Damini Dey, director del laboratorio de análisis cuantitativo de imágenes del Instituto de Investigación de Imágenes Biomédicas del Cedars-Sinai y autor principal del estudio. «Un experto tarda al menos 25 o 30 minutos en medir la placa, pero ahora podemos utilizar este programa para cuantificar la placa a partir de imágenes de ACTC en cinco o seis segundos».

Dey y sus colegas analizaron las imágenes de ACTC de 1.196 personas que se sometieron a una ACTC coronaria en 11 centros de Australia, Alemania, Japón, Escocia y Estados Unidos. Los investigadores entrenaron el algoritmo de IA para medir la placa haciendo que aprendiera de las imágenes de ACTC de 921 personas, que ya habían sido analizadas por médicos entrenados.

El algoritmo funciona trazando primero los contornos de las arterias coronarias en imágenes 3D y luego, identificando la sangre y los depósitos de placa dentro de las arterias coronarias. Los investigadores comprobaron que las mediciones de la herramienta se correspondían con las cantidades de placa observadas en las ACTC. También compararon los resultados con las imágenes tomadas por dos pruebas invasivas consideradas muy precisas para evaluar la placa y el estrechamiento de las arterias coronarias: la ecografía intravascular y la angiografía coronaria con catéter.

Por último, los investigadores descubrieron que las mediciones realizadas por el algoritmo de IA a partir de imágenes de ACTC predecían con exactitud el riesgo de infarto en un plazo de cinco años en 1.611 personas que formaban parte de un ensayo multicéntrico denominado SCOT-HEART.

«Se necesitan más estudios, pero es posible que podamos predecir si una persona tiene probabilidades de sufrir un evento cardiovascular y en qué plazo basándonos en la cantidad y la composición de la placa captada con esta prueba estándar», dijo Dey, que también es profesor de Ciencias Biomédicas en el Cedars-Sinai.

Dey y sus colegas siguen estudiando hasta qué punto su algoritmo de IA cuantifica los depósitos de placa en los pacientes que se someten a una ACTC.

Referencia:
Andrew Lin, Nipun Manral, Priscilla McElhinney, Aditya Killekar, Hidenari Matsumoto, Jacek Kwiecinski, Konrad Pieszko, Aryabod Razipour, Kajetan Grodecki, Caroline Park, Yuka Otaki, Mhairi Doris, Alan C Kwan, Donghee Han, Keiichiro Kuronuma, Guadalupe Flores Tomasino, Evangelos Tzolos, Aakash Shanbhag, Markus Goeller, Mohamed Marwan, Heidi Gransar, Balaji K Tamarappoo, Sebastien Cadet, Stephan Achenbach, Stephen J Nicholls, Dennis T Wong, Daniel S Berman, Marc Dweck, David E Newby, Michelle C Williams, Piotr J Slomka, Damini Dey. Deep learning-enabled coronary CT angiography for plaque and stenosis quantification and cardiac risk prediction: an international multicentre study. The Lancet Digital Health, 2022; 4 (4): e256 DOI: 10.1016/S2589-7500(22)00022-X

Un nuevo estudio ha llamado la atención sobre la medición inexacta de los niveles de colesterol LDL en algunos pacientes con los análisis actuales, lo que podría conducir a enfoques terapéuticos incorrectos.
Los grupos de pacientes más afectados son aquellos con niveles elevados de la lipoproteína Lp(a), en quienes los niveles de colesterol LDL están sobreestimados en las pruebas de laboratorio actuales, dicen los autores.

«Todos los ensayos de laboratorio actuales tienen la limitación de que no pueden medir o informar el colesterol LDL con precisión. En realidad, miden la combinación de LDL y Lp(a)», explicó el autor principal del estudio, Sotirios Tsimikas, MD, de la Universidad de California en San Diego.

«Si bien esto puede no importar mucho en individuos con niveles normales de Lp(a), en aquellos con niveles elevados de Lp(a), el colesterol Lp(a) puede constituir una proporción sustancial del colesterol LDL informado y los niveles reales de colesterol LDL podría ser mucho más bajo que el valor que nos dice el laboratorio», dijo.

Tsimikas dio el ejemplo de un paciente con una medición de laboratorio de colesterol LDL de 75 mg/dL. «Si ese paciente tiene un nivel de Lp(a) de cero, entonces en realidad tiene un nivel de LDL de 75. Pero a medida que aumenta la Lp(a), entonces la proporción del resultado correspondiente al colesterol LDL disminuye. Entonces, si un un paciente con un colesterol LDL medido de 75 tiene un nivel de colesterol Lp(a) de 20, entonces su nivel real de LDL es 55».

Tsimikas dijo que es importante conocer los niveles de ambas lipoproteínas individualmente, por lo que se utiliza el enfoque terapéutico correcto en situaciones en las que el colesterol Lp(a) podría estar elevado.

“Al comprender los valores reales de colesterol LDL y colesterol Lp(a), esto nos permitirá personalizar el uso de medicamentos para reducir el colesterol y decidir dónde enfocar el tratamiento. En el paciente con un alto nivel de Lp(a), su riesgo residual podría provenir del colesterol Lp(a) y menos del colesterol LDL», agregó. «A medida que desarrollamos medicamentos para reducir la Lp(a), este paciente podría estar mejor con uno de estos en lugar de aumentar los esfuerzos para reducir el colesterol LDL, que ya podría estar en el objetivo».

El estudio se publicó en la edición del 22 de marzo de la revista Journal of the American College of Cardiology.
Tsimikas señaló que la Lp(a) ahora se acepta como un factor de riesgo genético, independiente y causal de las enfermedades cardiovasculares, pero los fármacos reductores de LDL actuales no tienen mucho efecto sobre la Lp(a).

«La Lp(a) se puede reducir un poco con la niacina y los inhibidores de PCSK9, pero ambos tienen un efecto bastante débil y las estatinas aumentan la Lp(a). Sin embargo, ahora existen múltiples terapias basadas en ARN que se dirigen específicamente a la Lp(a) en desarrollo clínico», dijo.
En la actualidad, el colesterol Lp(a) debe estimarse matemáticamente, más comúnmente con la fórmula de Dahlén, debido a la falta de un método cuantitativo validado para medir el colesterol Lp(a), dice Tsimikas.

Para el estudio actual, los investigadores utilizaron un método novedoso, cuantitativo y sensible para medir directamente Lp(a), y luego aplicaron este método a los datos de un estudio reciente con uno de los nuevos medicamentos reductores de Lp(a) en desarrollo, pelacarsen, que se llevó a cabo en pacientes con niveles elevados de Lp(a).
Los resultados mostraron que la evaluación directa del colesterol Lp(a), y la sustracción de este valor del valor de colesterol LDL del laboratorio, proporciona un reflejo más preciso de la línea de base y el cambio en el colesterol LDL, informan los autores. En el estudio actual, el colesterol LDL corregido fue de 13 a 16 mg/dl más bajo que el colesterol LDL informado por el laboratorio.
Usando los resultados corregidos de colesterol LDL, el estudio mostró que pelacarsen reduce significativamente el colesterol Lp(a), con efectos neutrales a moderados sobre LDL.

El estudio también sugiere que el método actual para calcular el colesterol Lp(a) y luego derivar un colesterol LDL corregido (la fórmula de Dahlén) no es exacto.
«La fórmula de Dahlén se basa en la suposición de que el colesterol Lp(a) es universalmente un 30 % fijo de la masa de Lp(a), pero si este no es el caso. la fórmula de Dahlén debe suspenderse ya que puede ser muy inexacta, dijo Tsimikas.

Implicancias
En un editorial adjunto, Guillaume Paré, MD, Michael Chong, PhD y Pedrum Mohammadi-Shemirani, BSc, McMaster University, Hamilton, Ontario, Canadá, dicen que los hallazgos actuales tienen tres implicaciones clínicas importantes.

«Primero, brindan más pruebas de que en personas con niveles elevados de Lp(a), la contribución del colesterol Lp(a) al colesterol LDL no es despreciable usando ensayos estándar, con 13-16 mg/dL de colesterol LDL más bajo después de -corrección.»

En segundo lugar, señalan que estos nuevos hallazgos confirman que es probable que el efecto de los inhibidores de la Lp(a) se limite principalmente a la Lp(a), «como era de esperar».
Finalmente, «y quizás lo más importante, los autores destacan la necesidad de mejorar el informe clínico de las fracciones lipídicas para tratar adecuadamente el colesterol LDL y la Lp(a) en pacientes de alto riesgo», señalan.

En este informe los investigadores allanan el camino para que futuros estudios que investiguen la utilidad clínica de estas mediciones adicionales para iniciar y controlar la terapia para reducir los lípidos»,

Artículo tomado de: https://www.medscape.com/viewarticle/970561#vp_2
Estudio clínico: J Am Coll Cardiol. 2022;79:1035-1046, 1047-1049.

El microbioma humano es una rica red de bacterias, arqueas, hongos, fagos y virus que viven principalmente en el intestino. La composición del microbioma puede determinar nuestro propio bienestar, lo que ha provocado una explosión de esfuerzos de investigación centrados en identificar los organismos constituyentes y definir sus vías metabólicas, metabolitos y la asociación de genes individuales con la salud o la enfermedad.

Los microbios anaerobios en el intestino humano producen compuestos beneficiosos y dañinos, así como compuestos neutrales como la trimetilamina (TMA), que sufre un metabolismo microbiano o una transformación catalizada en N-óxido de trimetilamina (TMAO) compuesto que es proaterogénico. Ellenbogen et al. identificaron una desmetilasa asociada al microbioma que inhabilita la producción de TMAO a partir del metabolito γ-butirobetaína y en su lugar produce metiltetrahidrofolato, un intermediario clave en la producción microbiana de ácidos grasos de cadena corta beneficiosos. Este artículo destaca un ejemplo de cómo el microbioma está involucrado integralmente en la producción de metabolitos que respaldan nuestra salud y en la prevención de la formación de compuestos que promueven la enfermedad.

Tres reacciones del microbioma que protegen contra la formación de TMAO.

Los aminoácidos lisina y metionina de nuestra dieta se metabolizan en L-carnitina, que luego se convierte en γ butirobetaína y TMA. La TMA se absorbe en el torrente sanguíneo y luego se oxida enzimáticamente en el hígado para formar TMAO. Los niveles de TMAO se correlacionan con enfermedades cardiovasculares y renales, así como con cáncer colorrectal y de hígado. Por lo tanto, estos tres metabolitos (γ-butirobetaína, TMA y TMAO) pueden estar asociados con la enfermedad.

La presencia de E. limosum generalmente se asocia con buena salud y longevidad, quizás en parte debido a su producción de ácidos grasos de cadena corta, que se sabe que cumplen funciones beneficiosas para la salud humana, incluido el suministro de combustible para el crecimiento de los colonocitos (células que recubren el colon).

Estas vías no son exclusivas del intestino humano o de los mamíferos. Se encuentran junto con las vías acetogénicas y metanogénicas en muchos ambientes anaeróbicos diversos, incluido el rumen de las vacas, los sedimentos marinos, de agua dulce, y dentro del suelo. Los hallazgos de Ellenbogen et al. también sugieren la posibilidad de que los microbios que catalizan las reacciones de desmetilación coevolucionaron con sus huéspedes y fueron seleccionados para reducir los niveles de TMA y TMAO. En el futuro, será importante utilizar modelos animales y cultivos celulares para determinar cómo el silenciamiento y la sobreexpresión de los genes que expresan estas enzimas afectan el desarrollo y la progresión de las enfermedades relacionadas con TMAO.

Estos descubrimientos son un ejemplo de cómo el microbioma sirve como un órgano funcional dentro del intestino grueso. El microbioma es parte de nosotros, no un «ellos» sino un «nosotros», involucrado integralmente en el control de los químicos básicos de la vida, produciendo y canalizando metabolitos en vías que respaldan nuestra salud y evitando que generemos compuestos que pueden dar origen a innumerables patologías como cáncer y enfermedades cardíacas.

Referencia del estudio:
Stephen W. Ragsdale. Not a “they” but a “we”: The microbiome helps promote our
well-being. JBC Editors’ pick highlight, vol 298, 2, 101511, feb 2022 https://doi.org/10.1016/j.jbc.2021.101511

Las reacciones adversas a medicamentos (RAM) son de gran importancia en el sistema de salud, tanto dentro como fuera del hospital. Estos eventos a menudo no se identifican y sistemáticamente no se notifican. Hay un amplio margen de mejora en la forma en que se predicen y detectan estos eventos.

Los algoritmos y herramientas basados en inteligencia artificial (IA), es decir, aplicaciones informáticas que pueden realizar tareas que normalmente requieren inteligencia humana, tienen el potencial de informar la toma de decisiones clínicas en tiempo real para reducir la frecuencia, la duración y la gravedad de las RAM.

Por ejemplo, la IA podría proporcionar predicciones oportunas y precisas sobre qué pacientes probablemente tendrán RAM antes de que se receten los medicamentos. La identificación de pacientes en riesgo podría permitir la intervención para prevenir las RAM. A su vez, la IA también podría identificar nuevos tipos de RAM.

Una revisión publicada en la revista Lancet Digit Health, tuvo como objetivo identificar casos en los que la IA podría reducir la frecuencia de RAM. Se incluyeron 78 artículos. Los estudios fueron heterogéneos y aplicaron varias técnicas de IA que cubrían una amplia gama de medicamentos y RAM.

Se identificaron varios casos en los que la IA podría contribuir a reducir la frecuencia y las consecuencias de las RAM, a través de la predicción para prevenirlas y la detección temprana para mitigar los efectos.

• En cuanto a la predicción, la mayoría de los estudios desarrollaron algoritmos predictivos y aplicaron una amplia gama de enfoques de IA, y se centraron en medicamentos específicos o clases de RAM. Los métodos basados en árboles funcionaron bien en todos los casos de predicción. Uno de los desafíos pendientes es cómo identificar y seleccionar las variables genéticas más relevantes para la predicción de RAM. Los enfoques de aprendizaje automático mostraron un progreso prometedor para abordar este problema, pero aún se encuentran en las primeras etapas de desarrollo.
• Respecto a la detección temprana, varios enfoques diferentes de IA que utilizan datos (en su mayoría estructurados, algunos no estructurados) de historia clínica electrónica y datos de dispensación de farmacias mostraron éxito en la identificación de RAM y errores de prescripción.

Los hallazgos muestran que aprovechar la IA para reducir la frecuencia de las RAM es un área de estudio emergente, y se requiere más trabajo para garantizar que las herramientas precisas, equitativas y significativas estén disponibles en el punto de atención para informar la toma de decisiones clínicas. Es fundamental que los algoritmos de alto rendimiento se evalúen sistemática y exhaustivamente en ensayos prospectivos en entornos clínicos para mostrar el impacto en el mundo real y generar la evidencia necesaria para una implementación transparente, segura y efectiva. Esta investigación requiere una estrecha colaboración entre médicos e informáticos para que el proceso de evaluación sea eficiente y exitoso. Por último, la información genética constituye una fuente de datos clave que tiene el potencial de mejorar sustancialmente el rendimiento de los algoritmos de IA.

Referencia del estudio:
Syrowatka A, Song W, Amato MG, Foer D, Edrees H, Co Z, Kuznetsova M, Dulgarian S, Seger DL, Simona A, Bain PA, Purcell Jackson G, Rhee K, Bates DW. Key use cases for artificial intelligence to reduce the frequency of adverse drug events: a scoping review. Lancet Digit Health. 2022 Feb;4(2):e137-e148. doi: 10.1016/S2589-7500(21)00229-6. Epub 2021 Nov 23. PMID: 34836823.