Antecedentes
La esquizofrenia y el trastorno bipolar suelen sufrir un retraso significativo en el diagnóstico, lo que hace que no se los detecte o se los diagnostique erróneamente en etapas tempranas. Ambos trastornos también se han asociado con anomalías del sistema inmunitario de rasgo y estado.
Estudios recientes basados en el aprendizaje automático ha...
Antecedentes
La esquizofrenia y el trastorno bipolar suelen sufrir un retraso significativo en el diagnóstico, lo que hace que no se los detecte o se los diagnostique erróneamente en etapas tempranas. Ambos trastornos también se han asociado con anomalías del sistema inmunitario de rasgo y estado.
Estudios recientes basados en el aprendizaje automático han mostrado resultados alentadores utilizando biomarcadores de diagnóstico en modelos predictivos, pero pocos se han centrado en marcadores basados en el sistema inmunitario.
Nuestro objetivo principal fue desarrollar modelos de aprendizaje automático supervisados para predecir el diagnóstico y el estado de la enfermedad en la esquizofrenia y el trastorno bipolar utilizando solo un panel de metabolitos de quinurenina periférica y citocinas.
Métodos
La cohorte transversal I-GIVE incluyó pacientes bipolares agudos hospitalizados (n = 205), pacientes ambulatorios bipolares estables (n = 116), pacientes con esquizofrenia aguda hospitalizados (n = 111), pacientes ambulatorios con esquizofrenia estable (n = 75) y controles sanos (n = 185).
Los metabolitos séricos de quinurenina, a saber, triptófano (TRP), quinurenina (KYN), ácido quinurénico (KA), ácido quináldico (QUINA), ácido xanturénico (XA), ácido quinolínico (QUINO) y ácido picolínico (PICO) se cuantificaron mediante cromatografía líquida-espectrometría de masas en tándem (LC-MS/MS), mientras que los ensayos de citocinas humanas V-plex se utilizaron para medir las citocinas (interleucina-6 (IL-6), IL-8, IL-17, IL-12/IL23-P40, factor de necrosis tumoral alfa (TNF-ɑ), interferón gamma (IFN-γ)).
Los modelos de aprendizaje automático supervisados se realizaron utilizando JMP Pro 17. 0. 0. Comparamos un análisis primario utilizando validación cruzada anidada con un conjunto dividido como análisis de sensibilidad. Post-hoc, volvimos a ejecutar los modelos utilizando solo las características significativas para obtener los marcadores clave.
Resultados
Los modelos arrojaron un buen Área Bajo la Curva (AUC) (0, 804, Valor de Predicción Positivo (VPP) = 86, 95; Valor de Predicción Negativo (VPN) = 54, 61) para distinguir a todos los pacientes de los controles. Esto implica que una prueba positiva es muy precisa para identificar a los pacientes, pero una prueba negativa no es concluyente. Tanto los pacientes con esquizofrenia como los pacientes bipolares pudieron separarse de los controles con buena precisión (AUC de SCZ 0, 824; AUC de BD 0, 802). En general, los niveles elevados de IL-6, TNF-α y PICO y los niveles reducidos de IFN-γ y QUINO fueron predictivos de que un individuo fuera clasificado como paciente. La clasificación de pacientes agudos frente a estables alcanzó un AUC aceptable de 0, 713. La diferenciación entre esquizofrenia y trastorno bipolar arrojó un AUC deficiente de 0, 627.
Conclusiones
Este estudio destaca el potencial de utilizar medidas basadas en el sistema inmunológico para construir modelos de clasificación predictiva en la esquizofrenia y el trastorno bipolar, con IL-6, TNF-ɑ, IFN-γ, QUINO y PICO como candidatos clave.
Si bien los modelos de aprendizaje automático lograron distinguir con éxito la esquizofrenia y el trastorno bipolar de los controles, los desafíos para diferenciar a los pacientes esquizofrénicos de los bipolares probablemente reflejen vías inmunológicas compartidas por ambos trastornos y la confusión por un efecto más amplio específico del estado.
Se necesitan estudios multicéntricos más amplios y modelos multidominio para mejorar la confiabilidad y la traducción a la clínica.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://profesionales. adamedtv. com/