El aprendizaje automático podría optimizar los resultados de los estudios clínicos en la aplicación de fármacos a nivel cerebral

En la mayoría de los casos, los ensayos clínicos conllevan importante riesgos inesperados o reacciones adversas que no se manifiestan o no se alcanzar a registrar en los estudios previos llevados a cabo in vitro o in vivo, con animales.

O, bien, muchos ensayos clínicos de medicamentos que se han evidenciado como terapias prometedoras en modelos animales, especialmente en fármacos que tienen como órgano blanco el cerebro, no logran los resultados positivos esperados en el cerebro humano, cuando se realizan los ensayos clínicos.

Además, del aspecto legal que conlleva estos ensayos, se encuentran manejos de índole económico, que muchas veces pueden ser muy elevados y requerir bastante tiempo de seguimiento y procesamiento de datos con posterioridad a su realización.

El aprendizaje automático en los ensayos clínicos

En respuesta a todos estos inconvenientes, un grupo de investigadores de la UCL Institute of Neurology han  proporcionado evidencia de los beneficios del uso del aprendizaje automático en los ensayos clínicos.

La incorporación de este tipo de tecnología en los ensayos clínicos podría optimizar los resultados de las investigaciones que se realizan sobre los tratamientos farmacológicos efectivos a nivel cerebral. También podría proporcionar valiosa información sobre los efectos secundarios o reacciones adversas causadas por medicamentos que previamente no se detectaron a través de las pruebas estadísticas convencionales, según un estudio publicado en Brain .

Metodología de estudio

El estudio analizó datos pertenecientes a pacientes que habían sufrido un accidente cerebrovascular (ACV) para identificar el patrón de daño cerebral ocasionado por éste, para lo cual creó una enorme colección de imágenes anatómicas obtenidas de varios ACV, pertenecientes a 1,172 pacientes con lesiones cerebrales focales registradas anatómicamente.

Como un índice del impacto del accidente cerebrovascular, utilizaron la dirección de la mirada, a través de la vista objetiva de los ojos tal como se ve en las tomografías computarizadas de la cabeza, cuando el paciente ingresa al hospital, y de las imágenes por resonancia magnética que se realizan habitualmente 1-3 días después. Esta medición se basa en  que las desviaciones de la mirada reflejan la interrupción de los circuitos neuromusculares básicos y los atencionales, que usualmente se recuperan después de una lesión cerebral, además, son aspectos fundamentales para la descripción del estado neurológico del paciente.

Para emplear esta técnica de aprendizaje automático se tuvo en cuenta la presencia o ausencia de daño en todo el cerebro, tratando el ACV como una «huella digital» compleja, determinada por una multitud de variables específicas.

A continuación, simularon un metanálisis a gran escala para una gran cantidad de fármacos hipotéticos, para ver si los efectos del tratamiento podrían captarse a través del uso del aprendizaje automático. Además, evaluaron si las diferentes mediciones que se realizan a través del análisis estadístico convencional habría podido pasar por alto alguna variable que podría identificarse con el aprendizaje automático.  Por ejemplo, para un tratamiento farmacológico determinado, que es capaz de reducir una lesión cerebral en un 70%, probaron simultáneamente un determinado efecto significativo utilizando pruebas estadísticas convencionales (de baja dimensión) y métodos de aprendizaje automático de alta dimensión.

Resultados, ventajas y proyecciones de esta metodología

La utilidad del enfoque de aprendizaje automático fue particularmente importante cuando se observaron y evaluaron aquellas intervenciones farmacológicas que reducen específicamente el volumen de la lesión, puesto que con los modelos convencionales de baja dimensión, dicho tratamiento necesitaría reducir la lesión en un 78,4% de su volumen para que el efecto sea detectable en un ensayo, mientras que con el modelo de alta dimensión la probabilidad de ser detectado este efecto requiere que la lesión se reduzca solo en un 55%.

La investigación demostró que los modelos de baja dimensión muestran una escasa sensibilidad a los efectos terapéuticos. En contraste, los modelos de alta dimensión aportados por el aprendizaje automático incrementan notablemente la sensibilidad mediante el aprovechamiento de los patrones complejos que aportan la individualización de la arquitectura funcional del cerebro.

Además, los algoritmos empleados en el aprendizaje automático incluyen miles de variables de alta resolución anatómica, que permiten esclarecer la compleja relación entre la parte anatómica y su manifestación clínica, lo que permite detectar los efectos terapéuticos con una mayor sensibilidad que las técnicas convencionales de estudio.

Según el autor principal del estudio, Parashkev Nachev: «El verdadero valor del aprendizaje automático no radica tanto en la automatización de las cosas que nos resulta fácil de hacer de forma natural, sino en formalizar decisiones muy complejas«, «El aprendizaje automático puede combinar lo intuitivo flexibilidad de un clínico con la formalidad de las estadísticas que impulsan la medicina basada en la evidencia. Los modelos que reúnen miles de variables pueden ser rigurosos y matemáticamente sólidos. Ahora podemos capturar la compleja relación entre anatomía y resultado con alta precisión«.

Otro aspecto crítico a considerar es la efectividad de ciertos fármacos en modelos animales y su escasa utilidad en pacientes humanos, que también se podría atribuir al hecho de la simplicidad de los modelos estadísticos empleados actualmente, que no son capaces de captar las variaciones biológicas complejas que se dan entre las personas, que muchas veces se consideran un simple ruido y se descartan.

Por lo tanto, los investigadores concluyen que sus hallazgos demuestran que el aprendizaje automático podría ser de gran utilidad para la medicina, especialmente cuando el sistema sometido a estudio es de una gran complejidad, como ocurre con el cerebro: «Esperamos que los investigadores y los médicos comiencen a usar nuestros métodos la próxima vez que necesiten ejecutar un ensayo clínico«, dijo el coautor del estudio, el profesor Geraint Rees (Decano de la UCL, Faculty of Life Sciences).

Leer la nota original aquí.