Por definición, una enfermedad rara afecta a menos de 200.000 personas. Existen más de 10.000 afecciones raras conocidas que, en conjunto, afectan a más de 30 millones de personas, es decir, a 1 de cada 10 estadounidenses. Esta prevalencia es similar a la de la diabetes. Algunas de estas enfermedades, como la esclerosis múltiple, son bien conocidas, pero la mayoría, como la bartonelosis, la enfermedad de la orina con olor a jarabe de arce y el síndrome de la nieve visual, no lo son.
La porfiria hepática aguda (AHP) es una familia de enfermedades genética rara con síntomas que afectan principalmente a las mujeres y a menudo coinciden con el ciclo menstrual e incluyen ataques graves de dolor abdominal, náuseas, vómitos, debilidad en las extremidades y ansiedad, la padecen 1 de cada 100.000 personas.
En 2019, la FDA aprobó el givosiran como tratamiento profiláctico para ataques recurrentes. Sin embargo, su diagnóstico tarda una media de 15 años. Para acelerar este proceso, Alnylam Pharmaceuticals, fabricante del medicamento, contactó a investigadores del Centro de Porfiria de la UCSF para desarrollar un algoritmo que identifique posibles pacientes.
Colaboración y desarrollo del algoritmo de IA
“Dado que se trata de una enfermedad poco común, sabíamos desde el principio que iba a ser difícil o imposible llevar a cabo esta iniciativa en un solo centro. Por eso, recurrimos a nuestros colegas dentro de la red de salud de la UC, y la UCLA es el centro más grande de la red“, afirmó Vivek Rudrapatna, MD, Ph.D., profesor adjunto de la división de gastroenterología de la UCSF. Cuando el Dr. Schmolly se acercó al Dr. Beaven para hablarle sobre su interés en las enfermedades raras, él la puso en contacto con el Dr. Rudrapatna.
Juntos, inventaron el algoritmo predictivo del Proyecto Zebra para analizar los registros de atención médica e identificar a los pacientes con sospecha de porfiria. Los datos eran registros de pacientes anónimos de la UCSF y la UCLA, un subconjunto de los aproximadamente 10 millones de registros de toda la UC. El primer desafío para el algoritmo fue lidiar con datos desordenados.
Desafíos técnicos
Los registros de pacientes incluyen datos estructurados, como signos vitales, resultados de laboratorio e información demográfica, y elementos no estructurados, como las notas que toma el médico. Los algoritmos tienen dificultades con estos últimos, por lo que los investigadores manipularon los datos para organizarlos en un formato ordenado.
“No van a aprender mucho sin un poco de esfuerzo”, dijo el Dr. Rudrapatna. “El desafío hercúleo que representó el 90% del esfuerzo para este estudio es pasar de datos clínicos no estructurados a información cuidadosamente organizada y seleccionada que se pueda utilizar para entrenar algoritmos estadísticos y de aprendizaje automático”.
Otro desafío fue enmascarar ciertos puntos de datos que permitirían al algoritmo “hacer trampa” al hacer una predicción de una enfermedad. Básicamente, cegaron al algoritmo antes de que existiera una sospecha clínica de enfermedad. “En algún momento, un médico deriva a un paciente”, explicó el Dr. Rudrapatna. “Y luego aparece una orden de derivación como datos estructurados. Luego, el médico ve al paciente, se le hace un análisis de sangre o de orina y se confirma que tiene porfiria. El algoritmo verá la derivación y predecirá la enfermedad. Si eso ya ha sucedido, el algoritmo nunca aprenderá a identificar a estos pacientes antes”.
Resultados prometedores
En su estudio publicado en el Journal of the American Medical Informatics Association, los investigadores descubrieron que el algoritmo predecía que los pacientes serían derivados a pruebas de AHP con un rango de precisión de entre el 89% y el 93%. Además, cuando se trató de predecir quién dio positivo en la prueba de la enfermedad, el algoritmo reconoció al 71% de los pacientes antes de su diagnóstico real, lo que correspondió a un ahorro de tiempo promedio de 1,2 años.
Proyecto Zebra
El Proyecto Zebra es una de varias plataformas de inteligencia artificial que extraen datos de historiales médicos electrónicos. En UCLA Health, por ejemplo, los investigadores han ideado un algoritmo para identificar a pacientes con trastornos inmunológicos poco frecuentes. Otro se centra en la predicción temprana de la enfermedad renal terminal.
Para cualquier modelo de aprendizaje automático, acceder a los datos de los pacientes puede implicar un largo proceso de aprobación. ZebraMD utiliza Virtual Pooling, una tecnología patentada desarrollada por Trinabh Gupta, Ph.D., profesor adjunto del departamento de informática de la UC Santa Barbara, que permite que los algoritmos aprendan de los datos sin necesidad de transferirlos explícitamente.
Este proyecto ofrecerá próximamente una aplicación web, en la cual trabaja Kristen Cardon, becaria de ingeniería de software y actual candidata a doctorado en el departamento de inglés de la UCLA. Cardon se inspiró en su prima, que tiene una enfermedad poco común llamada síndrome de Williams.
“Alguien podría venir aquí buscando información sobre su propio diagnóstico”, dijo. “En un momento que podría ser aterrador y alarmante, nuestra aplicación simplemente hace que la información sea accesible, fácil y funcional. Lo veo como parte de la justicia en materia de salud mental, así como de la justicia en materia de salud en general”.
Los médicos utilizarán la aplicación en el invierno de 2024, cuando zebraMD probará sus algoritmos en el mundo real integrándolos en los sistemas de registros médicos electrónicos del Centro Médico Ronald Reagan de la UCLA, el Centro Médico Olive-View de la UCLA, la UCSF y Dartmouth Health. La Dra. Schmolly continuará liderando el equipo durante su residencia en medicina interna como médico-científica en Dartmouth Health.
“Cuantos más pacientes podamos diagnosticar, más podremos controlarlos a lo largo del tiempo. Eso significa que podemos aprender qué funciona y qué no. Podemos crear enfoques de medicina de precisión para estas enfermedades raras. Muchas de ellas aún no tienen tratamiento. Así que, con suerte, podremos encontrar nuevas opciones de tratamiento para ellas”, concluyó la Dra. Schmolly.
