Archivo - Análisis de sangre. - YAKOBCHUKOLENA/ISTOCK - Archivo
MADRID, 19 Jun. (EUROPA PRESS) -
Un modelo predictivo basado en aprendizaje automático puede analizar firmas de proteínas en muestras de sangre para anticipar el riesgo de trombosis venosa, un tipo de coágulo sanguíneo común en pacientes con cáncer, según aseguran expertos del Centro Médico Beth Israel Deaconess / Instituto Broad de Estados Unidos.
Según se publica en 'Science Translational Medicine', el modelo, que fue probado en dos cohortes de pacientes, también descubrió un objetivo de tratamiento potencial en ratones. "Si se confirman en poblaciones de pacientes más grandes y diversas, estos resultados podrían guiar estrategias de tromboprofilaxis más precisas y abrir vías previamente inexploradas para intervenciones antiinflamatorias", escriben los autores.
La trombosis es un problema de salud muy común para los pacientes con cáncer, y los tromboembolismos venosos en particular son una de las principales causas de muerte. Los investigadores han desarrollado métodos como la puntuación de riesgo de Khorana para identificar a los pacientes que tienen el mayor riesgo de trombosis y que, por lo tanto, se beneficiarían más de las terapias anticoagulantes riesgosas. Sin embargo, los modelos existentes no predicen con precisión el riesgo de tromboembolismos venosos, y se necesitan más estudios para descubrir nuevos marcadores predictivos.
Los autores recurrieron a métodos de aprendizaje automático, especialmente útiles para analizar grandes conjuntos de datos de posibles biomarcadores. Primero analizaron 1.105 proteínas en plasma de 163 pacientes con cáncer de pulmón o gástrico que fueron monitorizados para tromboembolismos venosos. El equipo construyó un modelo probabilístico basado en 11 de estos marcadores y parámetros clínicos del paciente, que superó la puntuación de Khorana, ampliamente utilizada, en las pruebas iniciales y en una segunda cohorte externa.
El modelo también identificó la expresión reducida de CD200R1, el receptor de la proteína CD200, como uno de los 11 marcadores. En ratones, el equipo demostró que la deficiencia de CD200R1 provocó un aumento de la molécula de señalización inflamatoria IL-17A, y que la administración de anticuerpos contra IL-17A restableció el equilibrio de trombina y antitrombina.
Finalmente, también observaron que, en varios estudios previos de pacientes con COVID-19, el tratamiento con anticuerpos anti-IL-17A se correlacionó con un menor riesgo de tromboembolismo pulmonar.
