Tecnología

Optimización del tratamiento de la hipertensión pulmonar con modelos de gemelos digitales

Un nuevo artículo de perspectiva publicado en Circulación pulmonar explora el potencial del uso de la tecnología de gemelos digitales para mejorar la atención específica del paciente.1 Se presenta una revisión detallada de los modelos computacionales existentes y se establece una hoja de ruta para integrar estos modelos para crear planes de tratamiento personalizados para pacientes con hipertensión pulmonar (HP).

El concepto de gemelo digital implica la creación de un modelo virtual de un paciente que puede usarse para simular y predecir la progresión de la enfermedad y los efectos de diversos tratamientos. Los autores brindan una revisión integral del trabajo de modelado computacional realizado en múltiples escalas relevantes para la HP, incluidos los niveles intracelular, intercelular y fisiológico, así como también cómo estos modelos se pueden integrar para crear un gemelo digital más completo de la HP.

El concepto de gemelo digital implica la creación de un modelo virtual de un paciente que puede usarse para simular y predecir la progresión de la enfermedad y los efectos de diversos tratamientos. | Crédito de la imagen: © ipopba – stock.adobe.com

Aprovechar el conocimiento en todas estas escalas es esencial para desarrollar un gemelo digital eficiente. «La forma más eficaz de hacerlo es mediante modelos computacionales que proporcionan una forma basada en principios de integrar datos a diferentes escalas», señala el estudio. A través del modelado intracelular, los datos genómicos se pueden utilizar para predecir resultados y desarrollar planes de tratamiento personalizados basados ​​en el perfil genético y molecular específico de un paciente. La siguiente escala de modelado matemático relevante para formar un gemelo digital se encuentra en este nivel intercelular. Esto proporciona información sobre cómo interactúan los diferentes tipos de células dentro de la vasculatura pulmonar, lo que lleva a una mejor comprensión y tratamiento de la HP compleja.

READ  Microsoft comienza a probar un modo nocturno para consolas Xbox

El modelado orgánico permite simulaciones integrales de cómo responde todo el sistema cardiovascular y pulmonar a afecciones como la HP tromboembólica crónica, lo que ayuda a predecir los resultados de los pacientes y optimizar las intervenciones farmacológicas. Los autores afirman: «La construcción de gemelos digitales de la enfermedad, personalizados para un paciente, promete ser una tecnología clave para la medicina personalizada, con el objetivo de optimizar el uso de los tratamientos existentes y desarrollar nuevas intervenciones, como nuevos medicamentos».

Una parte importante de la personalización de estos modelos para pacientes individuales es la capacidad de actualizar continuamente el modelo a medida que cambia la condición del paciente.dos Esto incluye técnicas de monitorización no invasivas, como la actigrafía de muñeca, para proporcionar datos continuos del paciente para mantener y actualizar los modelos de gemelos digitales. «Una de las características de un gemelo digital, a diferencia de un simple modelo, es que este modelo personalizado puede recalibrarse periódicamente a medida que cambia la condición del paciente y está actualizado en sus predicciones», señalan los autores.1

Los gemelos digitales también se pueden utilizar para realizar ensayos clínicos in silico, lo que podría reducir significativamente el tiempo y el costo asociados con los ensayos clínicos tradicionales. «Si existieran gemelos digitales para todos, todos podrían realizar ensayos in silico utilizando los gemelos digitales. Este sería el objetivo de todos los pacientes con HP inscritos, un verdadero enfoque de medicina de precisión para el descubrimiento y las pruebas de fármacos», afirma el estudio.

Los autores proponen prioridades de investigación específicas para facilitar el desarrollo de gemelos digitales. En primer lugar, debe estar disponible un seguimiento regular de los pacientes para que el modelo que se utilice reduzca las visitas médicas no planificadas. En segundo lugar, como punto de partida se debe desarrollar el aprendizaje y la validación de bases de datos de cohortes para perfeccionar el endofenotipado transversal inicial de los pacientes, preferiblemente basándose en datos reales de pacientes. Finalmente, debe haber una inferencia en el modelo para sucesos estocásticos o inesperados, que van desde traumas imprevistos hasta indiscreciones dietéticas más predecibles.

READ  Usuarios de iPhone 12 y 13 en iOS 15 con problemas de Bluetooth en algunos automóviles

A pesar de los numerosos desafíos que plantea el desarrollo de un gemelo digital, ya existen ejemplos exitosos de gemelos digitales médicos que se utilizan en la actualidad. Por ejemplo, HeartFlow proporciona imágenes tridimensionales sofisticadas y personalizadas de los vasos sanguíneos cardíacos que se utilizan para la planificación quirúrgica.3 Otro ejemplo es que se están utilizando gemelos digitales basados ​​en inteligencia artificial para diseñar enfoques de tratamiento óptimos utilizando la genética del cáncer en una población de referencia.4

Los autores concluyen que, “por lo tanto, HP es especialmente adecuado para el paradigma del gemelo digital, dada la gran cantidad de datos existentes sobre una amplia gama de variables que contribuyen a la enfermedad: desde la señalización celular-molecular hasta los patrones de flujo hemodinámico, imágenes clínicas y resultados clínicos funcionales”.1

Referencias

  1. Walker M, Moore H, Ataya A, et al. Un motor perfectamente imperfecto: uso del paradigma del gemelo digital en la hipertensión pulmonar. Circulación pulmonar. 2024;14(2). doi:10.1002/pul2.12392
  2. Howard LS, Rosenkranz S, Frantz RP, et al. Evaluación de la actividad física diaria mediante actigrafía en la hipertensión arterial pulmonar: conocimientos del ensayo controlado aleatorio de selexipag (TRACE). Pecho. 2023;163(2):407-418. doi:10.1016/j.chest.2022.08.2231
  3. Driessen RS, Danad I, Stuijfzand WJ, et al. Comparación de angiografía por tomografía computarizada coronaria, reserva de flujo fraccionada e imágenes de perfusión para el diagnóstico de isquemia. J. Am Coll Cardiol. 2019;73(2):161-173. doi:10.1016/j.jacc.2018.10.056
  4. Hasan ME, Mostafa F, Hossain MS, Loftin J. Modelos de clasificación de aprendizaje automático para predecir el cáncer de hígado con IA explicable para descubrir genes asociados. Matemática Aplicada. 2023;3(2):417-445. doi:10.3390/matemáticas aplicadas3020022

Federico Pareja

"Escritora típica. Practicante de comida malvada. Genio zombi. Introvertido. Lector. Erudito de Internet. Entusiasta del café incondicional".

Publicaciones relacionadas

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Botón volver arriba