Modelos de aprendizaje automático diagnostican ELA antes mediante biomarcadores sanguíneos
Actualizado el 19 Dec 2025
La esclerosis lateral amiotrófica (ELA) es una enfermedad neurodegenerativa de rápida progresión, notoriamente difícil de diagnosticar en sus etapas iniciales. Los síntomas iniciales suelen coincidir con los de otras afecciones neurológicas, lo que provoca retrasos en el diagnóstico que pueden superar un año y limita el acceso a tratamientos y ensayos clínicos. Los pacientes suelen sobrevivir solo de dos a cuatro años después del diagnóstico, lo que hace crucial una detección temprana y precisa. Ahora, un nuevo enfoque basado en análisis de sangre sugiere que la ELA puede identificarse antes y predecirse mejor la progresión de la enfermedad mediante patrones de expresión génica analizados con aprendizaje automático.
Investigadores de Michigan Medicine (Ann Arbor, MI, EUA) han desarrollado modelos de aprendizaje automático que analizan datos de secuenciación de ARN de muestras de sangre para identificar firmas de expresión génica asociadas con la ELA. En lugar de basarse en un solo biomarcador, el equipo creó un panel de biomarcadores de expresión multigénica similar a los utilizados en oncología. Se identificaron más de 2.500 genes con diferentes patrones de expresión en pacientes con ELA en comparación con los controles, muchos de ellos relacionados con la actividad del sistema inmunitario. Estos datos se utilizaron para entrenar algoritmos de aprendizaje automático que detectaran señales relacionadas con la ELA.
El modelo de diagnóstico principal utilizó XGBoost, un método de aprendizaje automático con gradiente de potenciación. Los paneles genéticos se refinaron para incluir entre 27 y 46 genes, buscando un equilibrio entre precisión y practicidad. Posteriormente, se desarrollaron modelos adicionales para predecir la supervivencia mediante la combinación de datos de expresión génica con información clínica, lo que permitió la estratificación en grupos de supervivencia más corta, intermedia y más larga. Este enfoque difiere de marcadores existentes, como la cadena ligera de neurofilamentos, que carece de especificidad para la enfermedad y se encuentra elevada en múltiples trastornos neurodegenerativos.
Tras su validación con muestras internas y conjuntos de datos externos, el modelo de diagnóstico predijo la ELA con una precisión de hasta el 91 %. Los modelos de pronóstico diferenciaron con éxito las trayectorias de supervivencia, abordando una importante necesidad insatisfecha en el tratamiento de la ELA. Análisis posteriores revelaron un conjunto de genes esenciales en la sangre que compartían características con las neuronas motoras afectadas en la médula espinal. Utilizando estos genes, los investigadores identificaron ocho fármacos existentes con potencial relevancia terapéutica para la ELA, incluyendo compuestos previamente vinculados a vías relacionadas con la ELA.
Los hallazgos, publicados en Nature Communications, sugieren que el análisis de la expresión génica en sangre podría reducir los retrasos en el diagnóstico y proporcionar información pronóstica temprana, permitiendo a los pacientes acceder antes a atención personalizada y ensayos clínicos. La capacidad de predecir la supervivencia también puede ayudar a orientar la planificación del tratamiento y el asesoramiento al paciente. Los investigadores enfatizan que se necesitan estudios adicionales para validar los modelos en poblaciones más amplias y diversas. En trabajos futuros, también se explorará el potencial terapéutico de los fármacos candidatos identificados y se perfeccionarán los modelos para su implementación clínica.
"Nuestros hallazgos representan una oportunidad increíble para diagnosticar potencialmente la ELA de forma más temprana, lo que abre las puertas a tratamientos y ensayos clínicos para los que las personas de otro modo no serían elegibles debido a la enfermedad avanzada", dijo la coautora principal Eva L. Feldman, MD, Ph.D.
Enlaces relacionados:
Michigan Medicine
