Revista Farmabiotec Número 13

46 farmaBIOTEC #13 encontrar entre los datos obtenidos algún parámetro que pudiera ser utilizado como un biomarcador que pronosti- que un agravamiento de la enfermedad . Entre los 31 pará- metros analizados hay resultados bioquímicos comunes, como la concentración de creatinina en plasma y los nive- les de las enzimas hepáticas, la concentración de hemog- lobina o el número de leucocitos (Figura 1A). También se incluyen resultados de los análisis inmunológicos en los que se mide la producción de citoquinas por las células sanguíneas cuando se estimulan con los antígenos de Leishmania (respuesta inmunitaria celular). En un análisis estadístico tradicional , cada uno de estos parámetros se analizaría de forma individual para ver si existe una asociación significativa con aquellos indi- viduos que han empeorado. Sin embargo, estos análisis solo han permitido observar una asociación estadística- mente significativa muy débil (cercano a p = 0.05) con el aumento de los niveles de creatinina, potasio, o con una bajada de los niveles de bilirrubina y del factor de necrosis tumoral (TNF) (Figura 1B). La limitada capacidad del análisis convencional de los datos puede superarse con herramientas basadas en IA capaces de sacar a la luz información valiosa que subyace en las relaciones existentes entre todos los parámetros. En este caso se utilizaron todos los datos recogidos en el análisis de sangre para llevar a cabo un aprendizaje auto- matizado no supervisado (o machine learning no super- visado ) 2 (Figura 1C). Esta aproximación permite detectar agrupaciones naturales de pacientes sin dar ningún tipo de información al algoritmo sobre su estado de PKDL (esta- ble o progresivo). Para realizar este tipo de análisis multi- paramétricos es necesario, en primer lugar, preparar los datos para integrarlos en la misma escala y así evitar un sesgo por una mayor influencia de algunos parámetros o por individuos que se salgan de la norma general (norma- lización). A continuación, es necesario reducir el número de parámetros mediante un análisis de componentes principales (PCA, por sus siglas en inglés) que ayude a condensar la información de múltiples variables en un número reducido de componentes principales que expli- can la mayor variabilidad de los datos. Este es un paso crucial para capturar las correlaciones más importantes y facilitar la aplicación de los algoritmos de agrupamiento. En este caso se consiguió seleccionar 11 parámetros (de los 31 iniciales) que acumulan más del 90% de la varianza de los datos y cuyas correlaciones deben explicar las dife- rencias que existen entre todos los pacientes. Después de este pretratamiento, los datos ya se pue- den aplicar a un método de agrupamiento para capturar correlaciones complejas entre el estado de la enfermedad (estable vs progresivo) y los 11 parámetros selecciona- dos. El método k-means es un algoritmo de agrupamiento que divide un conjunto de datos en un número específico de grupos o clústeres que contienen elementos similares entre sí, pero diferentes de los demás, y que permite encon- trar patrones de correlación que no son obvios o detecta- bles con análisis convencionales. Uno de estos clústeres se asocia de forma muy significativa ( p = 0.0074) con los pacientes en los que su PKDL había empeorado (Figura 1C). La comparativa de los parámetros de los pacientes de este clúster con los del resto de grupos muestra que tie- nen un menor hematocrito, niveles más bajos de albúmina y una menor producción de IFN-γ. También comparten un significativo aumento en el porcentaje de eosinófilos y monocitos, y en los niveles de creatinina e IP-10, a la vez que una disminución de los valores de hemoglobina, IL-22, TNF, glóbulos rojos, granzima B, TGF-β y bilirrubina. Por lo tanto, esta es la combinación de parámetros que resulta en un perfil que define el estado de progreso del PKDL. En definitiva, una aproximación basada en pruebas de laboratorio convencionales y técnicas avanzadas de inteli- gencia artificial es capaz ser capaz de identificar variacio- nes específicas en factores bioquímicos, hematológicos e inmunológicos que se relacionan con el estado de una enfermedad, en este caso el progreso del PKDL. Serán necesarios más estudios para poder introducir esta meto- dología en la práctica clínica, pero este esquema de tra- bajo basado en IA puede ya aplicarse a poblaciones más grandes afectadas de PKDL, con el objetivo de entrenar un algoritmo de machine learning supervisado que pueda en el futuro predecir de forma precisa el estado de PKDL o realizar un diagnóstico temprano, además de ayudarnos a comprender mejor esta enfermedad. Referencias 1. Zijlstra EE, Musa AM, Khalil EA, el-Hassan IM, el-Hassan AM. Post-kala-azar dermal leishmaniasis. Lancet Infect Dis. 2003;3(2):87-98. 2. Eckhardt CM, Madjarova SJ, Williams RJ, Ollivier M, Karlsson J, Pareek A, et al. Unsupervised machine learning methods and emerging applications in healthcare. Knee Surg Sports Traumatol Arthrosc. 2023;31(2):376-81 Una aproximación basada en pruebas de laboratorio convencionales y técnicas avanzadas de inteligencia artificial es capaz ser capaz de identificar variaciones específicas en factores bioquímicos, hematológicos e inmunológicos que se relacionan con el estado de una enfermedad, en este caso el progreso del PKDL. Inteligencia artificial