Pais: Brasil

Fecha: 11 de Agosto del 2020

La técnica utiliza inteligencia artificial para diagnosticar Covid-19 y predecir el riesgo de complicaciones por UNICAMP, Brasil

Un método que permite diagnosticar COVID-19 en unos 20 minutos, a bajo costo y sin necesidad de reactivos importados, fue descrito por investigadores brasileños en un artículo publicado en la plataforma medRxiv, aún sin revisión por pares.

El sistema utiliza algoritmos de inteligencia artificial capaces de reconocer en muestras de sangre de pacientes un patrón de moléculas característico de la enfermedad. Según los autores, también es posible identificar, entre los casos confirmados, individuos con mayor riesgo de desarrollar manifestaciones graves, como insuficiencia respiratoria.

El proyecto cuenta con el apoyo de la FAPESP e involucra a investigadores de la Universidad Estadual de Campinas (Unicamp) y la Universidad de São Paulo (USP), además de colaboradores de Amazonas.

“En las pruebas realizadas para validar la metodología, pudimos diferenciar entre muestras positivas y negativas con una precisión superior al 90%. También diferenciamos entre casos graves y leves con una tasa de éxito de alrededor del 82%. Ahora estamos iniciando el proceso de certificación con Anvisa [Agencia Nacional de Vigilancia Sanitaria] ”, dice a la FAPESP el profesor de la Unicamp, Rodrigo Ramos Catharino, coordinador de investigación.

Según él, la prueba, cuando esté en funcionamiento, podría costar alrededor de R $ 40 por muestra, aproximadamente la mitad del costo de la RT-PCR, un método considerado el estándar de oro para el diagnóstico de COVID-19.

El trabajo ha sido desarrollado en el Laboratorio Innovare de Biomarcadores, durante el doctorado de Jeany Delafiori, e integra una línea de investigación que combina técnicas de metabolómica y aprendizaje automático para buscar marcadores capaces de ayudar al diagnóstico de enfermedades como el zika, el dengue hemorrágico, la fibrosis. enfermedad quística, diabetes y otros trastornos metabólicos.

El grupo trabaja en alianza con el Laboratorio de Inferencia de Datos Complejos (Recod) del Instituto de Computación (IC) de la Unicamp, coordinado por el profesor Anderson Rocha y con la participación de su colaborador Luiz Claudio Navarro.

“El proyecto contó con la participación de 728 pacientes - 369 con diagnóstico de COVID-19 confirmado clínicamente y por RT-PCR. Se utilizaron muestras de individuos no infectados para la comparación, como una especie de grupo de control. En el caso de algunos pacientes que desarrollaron complicaciones y necesitaron ser hospitalizados, se tomó una segunda muestra de sangre. En general, entre los casos confirmados, hubo individuos con síntomas leves y severos ”, dice Delafiori.

Todas las muestras se analizaron mediante un equipo conocido como espectrómetro de masas, capaz de discriminar las sustancias presentes en los fluidos corporales. Como explican los investigadores, este conjunto de moléculas que se encuentran en el plasma sanguíneo representa los diversos procesos metabólicos activos en el cuerpo.

“Nos enfocamos en moléculas de bajo peso molecular, como aminoácidos, péptidos pequeños y lípidos. Aparecen en la parte final de los procesos metabólicos y, por tanto, están más directamente vinculados a los síntomas que manifestaban los pacientes en el momento de la recogida ”, explica Delafiori.

Luego, parte de las muestras fue utilizada por el equipo de IC-Unicamp para enseñar un método de inteligencia artificial para reconocer patrones de metabolitos encontrados en casos positivos y negativos, así como para diferenciar patrones de casos leves a severos. La otra parte se utilizó en una prueba a ciegas, cuyo objetivo fue evaluar la precisión final del análisis realizado por el sistema.

Según los datos del artículo, el método alcanzó un 97,6% de especificidad y un 83,8% de sensibilidad para el diagnóstico de la enfermedad en la prueba a ciegas. En cuanto al análisis de riesgo de manifestación grave, la especificidad fue del 76,2% y la sensibilidad del 87,2%.

“La sensibilidad [también conocida como sensibilidad] es el parámetro que indica qué tan sensible es el método para detectar la presencia o ausencia de COVID-19. La especificidad, por otro lado, tiene que ver con la capacidad de diferenciar COVID-19 de otras condiciones de salud. Estos dos parámetros, cuando se analizan juntos, determinan la tasa de aciertos ”, explica Delafiori. "Seguimos trabajando para mejorar el índice de exactitud del examen, ya que nuestros empleados recolectan nuevas muestras de pacientes".

Según Rocha, el algoritmo desarrollado es capaz de incorporar conocimiento a medida que analiza nuevas muestras, lo que tiende a reflejarse en una mejora del rendimiento a lo largo del tiempo. “Si hoy tiene una tasa de aciertos de alrededor del 90%, es probable que llegue aún más cuando llegue a miles de pacientes analizados”, dice el investigador.

El equipo de IC-Unicamp también creó un software para automatizar todo el proceso de análisis y, al final, generar un informe que informa al médico si el paciente tiene COVID-19 y está en riesgo de complicaciones.

“Estos biomarcadores que predicen la progresión de la enfermedad pueden, por ejemplo, ayudar al médico de atención primaria a decidir si el paciente que da positivo puede mantenerse aislado en casa o si debe ser trasladado a un centro más complejo”, comenta Rinaldo Focaccia Siciliano , médico adjunto de la División de Enfermedades Infecciosas y Parasitarias del Hospital de Clínicas (HC-FM-USP) y de la Unidad de Control de Infecciones Hospitalarias del Instituto do Coração (InCor), uno de los coautores del artículo.

En la evaluación de Siciliano, el método ha mostrado un buen desempeño para detectar tanto los casos leves, en los primeros días de sintomatología, como los más avanzados, de pacientes que ya presentan disnea al ingreso al hospital. “La ventaja de tener varios centros participando en el proyecto, con diferentes perfiles, es la variabilidad de las muestras. Esto permite que sea posible aplicar la metodología en diferentes escenarios, tanto ambulatorios como hospitalarios ”, dice.

Otro avance señalado por el investigador es la posibilidad de diagnosticar la enfermedad de forma precoz a través de una muestra de sangre, que es más fácil de recolectar que la secreción nasal utilizada en la prueba de RT-PCR. “La recolección de hisopos [hisopo largo insertado en la parte inferior de la nariz] requiere personal bien capacitado y una sala adecuada, ya que existe el riesgo de dispersión de aerosoles contaminados con el virus. Y el análisis de sangre actualmente disponible solo puede detectar anticuerpos unos días después de la aparición de los síntomas ”.

Modelo optimizado

Si bien la mayoría de las pruebas de laboratorio analizan los niveles de algunas sustancias en la sangre, el sistema informático desarrollado por el equipo de la Unicamp es capaz de observar miles de variables al mismo tiempo y extraer interconexiones directas y cruzadas entre ellas: por ejemplo, que las sustancias aumentan y disminuyen en individuos con una enfermedad en particular.

“Para que esto sea posible, hemos trabajado durante los últimos tres años para desarrollar un modelo matemático que sea explicable, es decir, que nos permita no solo hacer una predicción correcta sino también saber qué variables está buscando el sistema para hacer esa predicción. Esto permite, tras la identificación de un primer conjunto de biomarcadores, seleccionar los más significativos y optimizar el proceso de análisis. Además, los datos generados pueden ser utilizados por el área de metabolómica para desentrañar el mecanismo de la enfermedad ”, explica Navarro.

En el caso de COVID-19, el grupo alcanzó un conjunto de aproximadamente 30 metabolitos que funcionan como una firma de la enfermedad. Según Delafiori, el diagnóstico positivo se asoció, por ejemplo, con una reducción en el nivel de lisofosfatidilcolinas, fosfolípidos derivados del glicerol que contienen fosfato en su estructura. “Estas moléculas son precursoras de los tensioactivos pulmonares [compuestos que reducen la tensión superficial dentro del alvéolo pulmonar, evitando el colapso durante la espiración] y protegen al órgano de infecciones oportunistas. La disminución de estas especies se ha reportado previamente en pacientes con síndrome respiratorio agudo severo ”, dice.

También en los casos positivos se observó una disminución de los derivados del colesterol, que fue aún más pronunciada en los pacientes que progresaron a forma severa. "Algunos estudios informan de una reducción de los niveles de colesterol a medida que el paciente con COVID-19 progresa a un resultado negativo", dice el investigador.

Los niveles de glicerólpidos, previamente informados sin regular en el síndrome respiratorio agudo severo, aumentaron en muestras de pacientes con la enfermedad.

“Tras esta etapa de validación bioquímica de biomarcadores, que permitió, por ejemplo, descartar moléculas asociadas al uso de un antiinflamatorio que no tenía relación con la enfermedad, combinamos el resto de variables por parejas. Esta nueva técnica que estamos introduciendo en el modelo aumenta la precisión del análisis y permite realizarlo con diferentes equipos de espectrometría de masas ”, dice Navarro.

En la evaluación de Catharino, la metodología podría aplicarse en cualquier laboratorio público o privado equipado con un espectrómetro de masas. Al presentar el registro en Anvisa, los investigadores tienen la intención de aumentar aún más la diversidad de las muestras analizadas en el contexto de la investigación para mejorar el rendimiento del sistema.

El grupo cuenta con la colaboración de investigadores de la Universidad Estatal de Amazonas (UEA), la Fundación de Medicina Tropical Doctor Heitor Vieira Dourado, la Fundación de Vigilancia de la Salud de Amazonas, Fiocruz Amazônia y varios hospitales asociados al proyecto.

Además de la nueva metodología para el diagnóstico, el proyecto prevé la investigación de los mecanismos involucrados en los trastornos de la coagulación sanguínea, incluidos los cambios en la capacidad de agregación de las plaquetas, que se han asociado con COVID-19. Esta parte de la investigación está coordinada por el profesor de la USP José Carlos Nicolau. El trabajo descrito en el artículo también cuenta con el apoyo de la FAPESP a través de ayudas otorgadas a la profesora de la USP Ester Sabino y a los profesores de la Unicamp Wagner José Fávaro y Fabio Trindade Maranhão Costa.

Traducido del portugués

Ver nota