A pesar de los albores de la era de la genómica, el diagnóstico de enfermedades raras sigue siendo un desafío. Rocío Acuña Hidalgo, cofundadora de Nostos Genomics, y Ansgar Lange, director de operaciones, analizan cómo la inteligencia artificial (IA) podría llenar los vacíos.

Se estima que las enfermedades raras afectan a 300 millones de personas en todo el mundo y alrededor del 80% de estas enfermedades tienen un componente genético. En conjunto, estas enfermedades no son infrecuentes, pero siguen siendo los huérfanos de salud del sistema médico, carentes de atención y mal manejados debido a su compleja naturaleza clínica.

Las innovaciones en la tecnología de secuenciación, como la finalización de la secuencia del genoma humano y la integración de la secuenciación de próxima generación (NGS) en entornos clínicos, han allanado el camino para una era de genómica en la que los médicos ahora pueden vincular variantes genéticas específicas con enfermedades raras y proporcionar molecular diagnósticos basados ​​en . Esto fue fundamental para el diagnóstico de enfermedades genéticas y el acceso global a las pruebas genéticas.

A pesar de estos avances, el diagnóstico de enfermedades genéticas raras suele terminar con resultados no concluyentes.

Retos actuales en el diagnóstico de enfermedades genéticas raras

Paradójicamente, la fuerza y ​​la debilidad de las modernas tecnologías de secuenciación basadas en el genoma residen en la enorme cantidad de información que proporcionan.

La interpretación de una variante genética sigue siendo en gran medida un proceso manual que consiste en el filtrado de variantes además de la revisión basada en la evidencia de las posibles variantes que causan enfermedades. Intentar identificar una variante causante de enfermedades enterrada en lo profundo de millones de benignos es increíblemente difícil y laborioso, lo que requiere especialistas en genómica altamente capacitados para analizar múltiples líneas de evidencia, literatura científica y bases de datos de enfermedades.

Sin embargo, la rareza de las enfermedades individuales significa que tal evidencia de patogenicidad de una variante puede nunca haber sido reportada en una base de datos de enfermedades. Este proceso no estándar para evaluar la patogenicidad de una variante genera incoherencias entre laboratorios y cuellos de botella en la interpretación de variantes.

Los pacientes con trastornos genéticos raros enfrentan complicaciones de salud y angustia emocional durante años, en espera de un diagnóstico concluyente y tratamientos efectivos. Se necesitan soluciones para acortar esta vía de diagnóstico y optimizar la interpretación genómica.

Se han desarrollado algoritmos innovadores de aprendizaje automático que pueden combinar conjuntos de datos genéticos y ayudar a identificar variantes que causan enfermedades en cuestión de minutos, eliminando la necesidad de una interpretación manual que requiere mucha mano de obra.

Estos sistemas de IA se entrenaron utilizando fuentes de datos moleculares, experimentales, de población y clínicos interpretados por expertos en genómica humana. Luego, el sistema puede aprender este método de interpretación, predecir variantes candidatas en trastornos genéticos no diagnosticados e informar mejor a los profesionales de la salud.

Al identificar rápidamente las variantes candidatas más prometedoras para la interpretación, las herramientas impulsadas por IA son revolucionarias y ayudan a los profesionales a crear diagnósticos rápidos, precisos y novedosos para mejorar los resultados de los pacientes.

Estas herramientas son fáciles de integrar y posicionan de manera única a los laboratorios genéticos para escalar sus operaciones.

Actualmente, la secuenciación de poblaciones a gran escala produce una gran cantidad de información que abruma los recursos humanos en los laboratorios de genómica. Los gobiernos proponen e inician grandes proyectos para estudiar genéticamente poblaciones, en algunos casos sin una forma clara de cómo se analizarán estos datos.

Al reducir la complejidad y el tiempo involucrados en la interpretación de variantes, los sistemas de IA brindan un par de manos adicionales, lo que reduce la mano de obra requerida para las operaciones de secuenciación a gran escala y supera el cuello de botella de interpretación existente.

Diagnóstico de IA de Shutterstock
Imagen/Shutterstock

Obstáculos a los que se enfrenta la IA en el diagnóstico de enfermedades raras

La IA solo puede ser tan buena como los datos que le proporcionas. Las limitaciones vienen en forma de variantes patógenas no codificantes, sesgos específicos de linaje en conjuntos de datos genómicos y problemas de privacidad del paciente. Las variantes no codificantes son regiones de la secuencia de ADN que no codifican proteínas directamente, lo que dificulta la comprensión de cómo las mutaciones en estas variantes afectan la función celular.

Ya no necesitamos entender el genoma de forma aislada, sino la integración de datos multiómicos. AI está comenzando a reconocer esto al integrar datos obtenidos experimentalmentesobre variantes de ADN no codificante en su entrenamiento algorítmico. Combinado con datos de variantes obtenidos de bases de datos de enfermedades, esto proporciona una plataforma de entrenamiento más rica para que los algoritmos de IA aprendan y mejoren las predicciones.

El objetivo de estas herramientas impulsadas por IA es apoyar y mejorar la experiencia de los médicos, no reemplazarlos.

Pueden surgir problemas normativos y éticos a partir de la transparencia de los propios algoritmos subyacentes y la confidencialidad de la secuenciación del paciente y los datos clínicos. Ganar la confianza del público en lo que respecta a la participación en pruebas genéticas y el intercambio de datos, especialmente para enfermedades genéticas raras donde el intercambio se trata del descubrimiento de un nuevo agente causante de enfermedades, es crucial para la adopción clínica de la variante de los sistemas de IA. Es de suma importancia.

Las tecnologías que adoptan los llamados modelos de IA de «caja blanca» pueden ser útiles, ya que estos modelos tienen el valor central de ser comprensibles e interpretables, lo que permite explicaciones de predicciones basadas en humanos y una mejor comprensión de cómo se utilizan los datos de los pacientes.

Los gobiernos o los reguladores deben garantizar reglas claras y la implementación adecuada de políticas conscientes de la IA sobre el uso de la información genética de un paciente.

El futuro de la IA en la interpretación de pruebas genéticas

Con los continuos avances en la precisión y la asequibilidad de la secuenciación de alto rendimiento y la IA, el diagnóstico de un trastorno genético raro se está volviendo más económico y accesible para que los mercados mundiales de atención médica inviertan.

A medida que crece la riqueza de los conjuntos de datos genómicos, el acceso a estos datos será crucial para proporcionar más conjuntos de datos de capacitación para que los sistemas de IA sobresalgan. AI hará diagnósticos mejores, más rápidos y menos sesgados para cerrar la brecha de diagnóstico para pacientes no diagnosticados.

El «futuro de la IA» ya está en el horizonte, con la interpretación impulsada por la IA que predice correctamente las variantes causantes de enfermedades que anteriormente tenían un significado desconocido relacionado con la enfermedad. La implementación de las mismas herramientas impulsadas por IA en diferentes laboratorios y conjuntos de datos admitirá clasificaciones de variantes más consistentes y mejorará las infraestructuras de intercambio de datos para acelerar el progreso de la identificación de variantes en enfermedades genéticas raras.

Para incorporar el diagnóstico impulsado por IA en las estructuras clínicas existentes, los médicos deben comprender los modelos subyacentes para permitir explicaciones para las predicciones. Se debe mantener la transparencia hacia los pacientes, con esfuerzos educativos claros y continuos para educarlos también sobre la tecnología que se utiliza. Para que los pacientes se beneficien plenamente de las pruebas genéticas impulsadas por IA, se debe desarrollar un procedimiento estandarizado para evaluar el reembolso de las pruebas genéticas.

El gran volumen de nuevos métodos de pruebas genéticas que ingresan al mercado dificulta que las compañías de seguros se mantengan al día y evalúen qué pruebas genéticas deben cubrirse. Para que la IA avance en un entorno clínico, se deben definir pautas claras sobre cuándo la secuenciación genética impulsada por la IA es más apropiada para un paciente.

El futuro de la IA es brillante y tiene el potencial de generar un cambio revolucionario en el diagnóstico y tratamiento de pacientes con trastornos genéticos raros. Su potencial se ve reforzado por la implementación exitosa del aumento de los datos multiómicos, la transparencia algorítmica continua y las políticas gubernamentales avanzadas.

Nostos Genomics’ Originalmente MD, Rocío Acuña Hidalgo, CTO y cofundadora, obtuvo su MD y PhD en genética humana y ahora está desarrollando enfoques que combinan experiencia en genómica, aprendizaje automático y experimentos biológicos de alto rendimiento para apoyar al equipo en la parte técnica.

Nostos Genomics’ Ansgar Lange, director de operaciones, es un líder comercial en tecnología de la salud con un doctorado en economía de la salud. Antes de unirse a Nostos a principios de 2021, fue director de operaciones de una startup del Reino Unido, ayudándola a crecer de 8 a 2000 empleados. En Nostos, supervisa las asociaciones e impulsa el desarrollo comercial.

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí