El trabajo incluye una serie de estudios que alcanzan 483 muestras de hígado y 169 de suero y plasma
Un estudio aborda la investigación de nuevos marcadores biológicos no invasivos para la detección y seguimiento de la afectación conocida como hígado graso en la fase avanzada, que se denomina MASH (Metabolic dysfunction-associated steatohepatitis). Se trata de una de las formas preocupantes de la enfermedad hepática asociada a la disfunción metabólica. El estudio, que se titula Uncovering hepatic transcriptomic and circulating proteomic firmas in MASH: A meta-analysis and machine learning-based biomarker Discovery, ha sido impulsado por el Grup d’Estudi en Malalties Metabòliques Associades a la Insulin-Resistència (GEMMAIR), liderado por la Universitat Rovira i Virgili (URV), con la participación del Institut d’Investigació Sanitària Pere Virgili (IISPV), y por la jefa del Servei de Medicina Interna del Hospital Universitari Joan XXIII y profesora titular de la URV, Teresa Auguet. El proyecto, publicado recientemente en la revista Computers in Biology and Medicine, representa un paso adelante para la medicina de precisión aplicada a las enfermedades hepáticas metabólicas, porque a través de un análisis de datos específicos del hígado y de muestras circulantes se han encontrado rasgos identificativos que pueden distinguir un paciente con MASH, que en un estadio severo puede llegar a traducirse en problemas más graves, como por ejemplo cirrosis hepática. Además, los estudios en muestras de hígado nos pueden ayudar a encontrar dianas terapéuticas.
Cabe destacar que el hígado graso pueden sufrirlo pacientes sin ser conscientes, puesto que los síntomas en una fase temprana son menores o inexistentes. Por esta razón, desde el grupo de investigación con el estudio ponen en valor la importancia de una detección mejorada.
En cuanto al método empleado en el trabajo, se revisó de forma sistemática una serie de datos y se recuperaron siete estudios, los cuales alcanzaban 483 muestras de hígado y 169 muestras de suero y plasma, respectivamente. Además, el desarrollo del proyecto se gestionó a través de un modelo de aprendizaje automático (Machine Learning), que permite identificar marcadores biológicos específicos de la enfermedad, utilizando ratios de proteínas biológicamente significativas.
Herramienta potencial para el diagnóstico Este modelo de Machine Learning se ha convertido en una herramienta potencial para el diagnóstico de la enfermedad en fase de MASH. Hace falta una mayor refinación y validación, aun así, con muestras más amplias para generalizar estos resultados. Este enfoque puede tener un gran impacto en el abordaje clínico de la MASH, beneficiando así una estratificación más cuidadosa del total de pacientes atendidos, evitando biopsias hepáticas. Incluso, facilitando un abordaje con un tratamiento personalizado, puesto que el estudio en las muestras hepáticas puede ayudar a evidenciar posibles dianas terapéuticas. Con el proyecto, el grupo de investigación quiere allanar el terreno para que se generen otras investigaciones, con datos más extensos.
Facebook 
Mail 
WhatsApp 