Las pruebas de laboratorio de IA y rutina ofrecen una predicción más precisa del riesgo de enfermedad genética

Cuando las pruebas genéticas revelan una mutación de ADN rara, los médicos y los pacientes con frecuencia quedan en la oscuridad sobre lo que realmente significa. Ahora, los investigadores de la Escuela de Medicina de Icahn en Mount Sinai han desarrollado una nueva forma poderosa de determinar si un paciente con una mutación es probable que desarrolle realmente la enfermedad, un concepto conocido en genética como penetrancia.

El equipo se propuso resolver este problema utilizando inteligencia artificial (IA) y pruebas de laboratorio de rutina como el colesterol, los recuentos sanguíneos y la función renal. Los detalles de los hallazgos se informaron en la edición en línea del 28 de agosto de Ciencia. Su nuevo método combina el aprendizaje automático con registros de salud electrónicos para ofrecer una visión más precisa y basada en datos del riesgo genético.

Los estudios genéticos tradicionales a menudo dependen de un diagnóstico simple de sí/no para clasificar a los pacientes. Pero muchas enfermedades, como la presión arterial alta, la diabetes o el cáncer, no encajan perfectamente en categorías binarias. Los investigadores de Mount Sinai capacitaron a los modelos de IA para cuantificar la enfermedad en un espectro, ofreciendo una visión más matizada de cómo se desarrolla el riesgo de enfermedad en la vida real.

Queríamos ir más allá de las respuestas en blanco y negro que a menudo dejan a los pacientes y proveedores inciertos sobre lo que realmente significa un resultado de la prueba genética. Mediante el uso de la inteligencia artificial y los datos de laboratorio del mundo real, como los niveles de colesterol o los recuentos sanguíneos que ya forman parte de la mayoría de los registros médicos, ahora podemos estimar mejor la probabilidad de que la enfermedad se desarrolle en un individuo con una variante genética específica. Es una forma mucho más matizada, escalable y accesible para apoyar la medicina de precisión, especialmente cuando se trata de hallazgos raros o ambiguos “.

Ron Do, PhD, autor de estudio senior y profesor de Charles Bronfman en medicina personalizada en la Escuela de Medicina de Icahn en Mount Sinai

Utilizando más de 1 millón de registros de salud electrónicos, los investigadores construyeron modelos de IA para 10 enfermedades comunes. Luego aplicaron estos modelos a personas que se sabe que tienen variantes genéticas raras, generando una puntuación entre 0 y 1 que refleja la probabilidad de desarrollar la enfermedad.

Una puntuación más alta, más cercana a 1, sugiere que una variante puede ser más probable que contribuya a la enfermedad, mientras que una puntuación más baja indica un riesgo mínimo o nulo. El equipo calculó los puntajes de “Penetrancia ML” para más de 1,600 variantes genéticas.

Algunos de los resultados fueron sorprendentes, dicen los investigadores. Las variantes previamente etiquetadas como “inciertas” mostraron señales de enfermedad claras, mientras que otras pensadas en causar enfermedad tuvieron poco efecto en los datos del mundo real.

“Si bien nuestro modelo de IA no está destinado a reemplazar el juicio clínico, puede servir potencialmente como una guía importante, especialmente cuando los resultados de las pruebas no están claros. Los médicos podrían usar en el futuro la puntuación de penetración de ML para decidir si los pacientes deben recibir exámenes anteriores o tomar medidas preventivas, o para evitar innecesarias la preocupación o la intervención de la variante es el bajo riesgo”, dice el autor del estudio del estudio de bajo riesgo de la MDIM, en el Laborador de la Medicina del Labor de la Medicina del Labor de la Medicina del Dr. en Mount Sinai. “Si un paciente tiene una variante rara asociada con el síndrome de Lynch, por ejemplo, y obtiene un puntaje alto, eso podría desencadenar la detección anterior del cáncer, pero si el riesgo parece bajo, se puede evitar saltar a conclusiones o sobrecatecimiento”.

El equipo ahora está trabajando para expandir el modelo para incluir más enfermedades, una gama más amplia de cambios genéticos y poblaciones más diversas. También planean rastrear qué tan bien estas predicciones se mantienen con el tiempo, si las personas con variantes de alto riesgo realmente desarrollan enfermedades y si la acción temprana puede marcar la diferencia.

“En última instancia, nuestro estudio apunta a un futuro potencial en el que la IA y los datos clínicos de rutina trabajan de la mano para proporcionar información más personalizada y procesable para los pacientes y las familias que navegan por los resultados de las pruebas genéticas “, dice el Dr. Do.” Esperamos que esto se convierta en una forma escalable de apoyar mejores decisiones, comunicación más clara y más confianza en lo que realmente significa información genética “.