Desarrollo de algoritmos de respuesta al tratamiento nutricional frente a la EHGNA (enfermedad de hígado graso no alcohólico): integración de datos mediante inteligencia artificial.
Enlaces de interés:
Comunicaciones en congresos
La enfermedad del hígado graso no alcohólico (EHGNA) se caracteriza por una excesiva acumulación de grasa en los hepatocitos en ausencia de una historia previa de ingesta excesiva de alcohol. Es la causa más común de enfermedad hepática crónica en el mundo desarrollado. La EHGNA se asocia comúnmente con otras alteraciones metabólicas como la diabetes mellitus, hipertensión, dislipidemia y obesidad, siendo considerada como la manifestación hepática del síndrome metabólico. Su incidencia se ha multiplicado en los últimos años en consonancia con el aumento de la obesidad y la diabetes. La EHGNA es una enfermedad silenciosa, la sintomatología se manifiesta cuando ya existen estadíos avanzados, siendo ya una hepatopatía crónica e irreversible.
En la actualidad el diagnóstico exacto de la enfermedad, así como su estadío sólo se consiguen mediante biopsia hepática. Sin embargo, la biopsia hepática no es un procedimiento indicado ya que se trata de un método invasivo que conlleva riesgos para el paciente (dolor, sangrado, infección), además de una gran dificultad de obtener una muestra representativa. Por estas razones, la gran mayoría de los pacientes con EHGNA no son diagnosticados.
En este sentido el presente proyecto se basó en el desarrollo de un método de identificación y subdiagnóstico de la enfermedad, así como en el estudio de la evolución de la misma frente al seguimiento de una intervención nutricional personalizada a largo plazo. Todo ello mediante la integración de datos aplicando inteligencia artificial, con el objetivo de facilitar el diagnóstico precoz y mejorar el seguimiento y monitorización de los pacientes con EHGNA.
Para llevar a cabo el objetivo se reclutó un grupo de pacientes control (sujetos sin obesidad y sin EHGNA) y se utilizaron datos y muestras sanguíneas de otro grupo de pacientes (sujetos con obesidad y EHGNA) procedentes de un proyecto previo (Fatty liver in obesity–FliO Dpto Salud-GN ref. 61/2015) donde se les había realizado un tratamiento nutricional personalizado de 2 años.
El presente proyecto se ha basado en la realización de una caracterización completa de ambos grupos poblacionales mediante la aplicación de técnicas rutinarias, como la toma de medidas antropométricas, bioquímica general, marcadores de inflamación, y técnicas más avanzadas, como análisis de miRNAs, marcadores fibrogénicos, marcadores carcinogénicos circulantes, análisis metabolómico y análisis de imágenes, entre otros, con el fin de identificar posibles marcadores de diagnóstico y evolución de la enfermedad.
Una vez caracterizados los grupos se integró toda la información para la aplicación de técnicas de inteligencia artificial que nos permitieran valorar y poder desarrollar algoritmos de respuesta al tratamiento nutricional y así como de identificar sujetos en riesgo de tener la EHGNA. Se utilizaron tres técnicas de reducción de la dimensionalidad PCA, UMAP y t-SNE para tratar de visualizar en 2 dimensiones los posibles agrupamientos de los datos. Como se esperaba los datos antropométricos, bioquímicos y de imagen fueron capaces de separar correctamente los grupos experimentales, sin embargo, los datos de metabolómica y miRNAs no fueron consistentes, por lo que los sujetos no se agruparon de forma consistente con los grupos experimentales, lo cual imposibilitó la aplicación de modelos de inteligencia artificial. Al no ser posible la aplicación de inteligencia artificial, se procedió a la realización de análisis estadísticos clásicos estudiando las variables por separado.
En el análisis del efecto de la intervención nutricional en el grupo de sujetos con obesidad y EHGNA se han observado diferencias en la concentración de algunos de los miRNAs analizados a lo largo de la intervención y en comparación con los sujetos del grupo control. Este análisis es parte de una tesis doctoral en curso. Por otro lado, el análisis de metabolómica no dirigido nos ha permitido identificar un metabolito diferencial entre el grupo de sujetos de pacientes y el grupo de los controles. Este metabolito, en la actualidad, se está estudiando como posible marcador de diagnóstico, trabajo correspondiente a otra tesis doctoral en curso. La gran cantidad de datos obtenidos con este proyecto nos está permitiendo estudiar de forma específica todos los biomarcadores analizados con el fin de poder establecer marcas diferenciales entre los grupos poblacionales que nos lleven a poder desarrollar una técnica de sub-diagnóstico de la EHGNA como se planteó inicialmente.
