Redacción NM
Gali Weinreb Las tecnologías de Big Data están cambiando la forma en que se realizan los ensayos clínicos y transformando la forma en que se recopilan los datos sobre enfermedades. Hasta ahora estas posibilidades han sido solo teóricas, pero ahora se está comenzando a realizar una nueva visión. A la vanguardia se encuentra una colaboración a gran escala entre la Universidad de Harvard y los Servicios de Salud Clalit de Israel que comenzó hace 18 meses y se lanzó oficialmente a principios de este año.
La colaboración del Laboratorio Vivo de Berkowitz es el proyecto del Prof. Ran Balicer, Jefe de la División de Innovación de Clalit, y el Prof. Isaac Kohane, Jefe del departamento de Bioinformática Médica del Instituto Blavatnik de la Facultad de Medicina de Harvard, una de las instituciones líderes en el campo.
El proyecto fue posible gracias al apoyo de los filántropos Ivan y Francesca Berkowitz. Incluye investigación conjunta basada en la base de datos de Clalit, un programa de capacitación conjunto para científicos líderes en los campos de análisis, genética y salud pública, y una clínica dedicada para el tratamiento de pacientes que padecen enfermedades complejas y no diagnosticadas, con énfasis en enfermedades pensadas tener una base genética. Una especie de «Dr. House» de la vida real, en otras palabras.
Investigación sin ensayo clínico
«Durante la pandemia de Covid-19, logramos demostrar que podemos ‘imitar’ la investigación clínica utilizando datos históricos de la base de datos de Clalit Health Services de una manera que nos permitió obtener nuevos conocimientos médicos muy rápidamente», dice Balicer.
Kohane explica cómo se hace esto: se construye una base de datos con dos grupos de pacientes cuya única diferencia es la intervención médica que se quiere probar. Por ejemplo, si comparamos a los vacunados contra Covid-19 con los no vacunados, la base de datos debe construirse de manera que las diferencias promedio entre los grupos, como la edad, las enfermedades de fondo o el estado económico, se ‘neutralicen’. «Hacemos mucho trabajo estadístico computarizado, usando, entre otras cosas, inteligencia artificial, que está diseñada para equilibrar los grupos de modo que no haya una variable que pueda explicar la diferencia excepto la intervención, en este ejemplo, la vacuna». él dice.
«Los ensayos clínicos controlados siguen siendo el núcleo de la ciencia médica, pero siempre han tenido limitaciones, como el sesgo en la selección de los sujetos. Por ejemplo, es difícil obtener permiso para experimentar con niños o mujeres embarazadas, y los pacientes complejos a menudo son no seleccionados para los ensayos ya que complican el análisis, a pesar de que son los principales consumidores de muchos productos. Además, hay ciertas enfermedades para las que es difícil reclutar suficientes participantes. Por lo tanto, muchos investigadores han intentado desarrollar métodos alternativos a lo largo de los años. , pero solo durante Covid-19 estuvieron realmente empleados y esta información llegó».
Entender quién responde bien al tratamiento
La principal desventaja de esta herramienta adicional, además de que no siempre es posible ‘neutralizar’ todas las variables, es que cuando se trata de un nuevo tratamiento o una nueva condición médica, no siempre hay suficientes datos. En el caso del tercer refuerzo de la vacuna Covid, muchos fueron vacunados incluso antes de que se realizara un ensayo clínico, por lo que fue posible probar su efectividad. Lo mismo ocurre con los efectos del propio virus. Pero en el caso de un nuevo fármaco, a lo sumo este método salvará al grupo de control.
Los campos donde estas herramientas son más adecuadas son la salud pública y la medicina preventiva. Los ensayos clínicos en medicina preventiva son casi imposibles en estos días porque se necesitan muchos años y grandes grupos de estudio para demostrar las diferencias entre ellos. El análisis de la información recopilada durante muchos años puede identificar cuándo hubo efectos de intervenciones como el diagnóstico temprano de enfermedades, intervenciones que tienen que ver con el desarrollo infantil, efectos del uso de dispositivos como anteojos o audífonos, dejar de fumar, etc.
“Ya hemos comenzado a aplicar esta metodología en proyectos relacionados con la longevidad”, dice Balicer. «Estamos tratando de entender por qué ciertas personas viven más, qué caracteriza a las personas que viven durante años a pesar de las enfermedades de fondo que padecen».
“Otro proyecto en el que estamos trabajando es identificar las diferencias entre los pacientes que responden muy bien a un fármaco determinado y los pacientes que no responden bien. El análisis va de lo individual a lo general y de vuelta a lo individual. Si identificamos un elemento diferente en un paciente que tiene una respuesta particularmente buena o mala al fármaco, buscamos la misma característica en más pacientes que respondieron bien al fármaco en comparación con los que no, y si detectamos la misma diferencia en otros pacientes , tratamos de intervenir y examinar su eficacia».
Kohane agrega: «Un proyecto que quiero implementar en un futuro cercano está relacionado con pacientes con cáncer que sobreviven muchos años. Por ejemplo, podrían decirme ‘Es gracias a un cambio en la dieta que hice’. Verifiquemos y veamos si es cierto !»
Es decir, ¿su sistema también podrá mostrar el beneficio de ciertos tratamientos alternativos y hacerlos parte del consenso científico?
“Sí, aunque hay barreras. Por ejemplo, los pacientes no siempre cuentan a sus médicos las intervenciones de medicina alternativa a las que se han sometido. Temen una respuesta denigrante del médico”.
Balicer: «Hoy falta información sobre los tratamientos de medicina alternativa. Es prácticamente imposible separar los efectos del tratamiento, el placebo y la mera atención».
¿Puede su sistema producir información que no existe hoy en día sobre los beneficios de diferentes cepas o diferentes composiciones de cannabis medicinal?
Kohane: «Estoy muy preocupado por el tema del cannabis. Puede haber pacientes que se beneficien de su uso, pero también hay pacientes a los que realmente les perjudica.
Por lo tanto, es muy importante que se acumulen datos detallados para examinar este tema. No es rentable para las empresas realizar este tipo de ensayos clínicos en este momento, porque los consumidores no perciben que los resultados proporcionen suficiente diferenciación en el mercado. Por eso, un sistema como el nuestro es prácticamente la única herramienta que permite hacerlo”.
Otra área de investigación que planea el nuevo laboratorio son las intervenciones conductuales. Hoy en día, los Servicios de Salud pueden ofrecer incentivos o recordatorios por comportamientos médicos considerados positivos. Después de llevar a cabo tal acción, los resultados pueden ser investigados contra un grupo de control «artificial», construido por la computadora.
La red que diagnostica enfermedades desconocidas
Además de utilizar grandes bases de datos para generar conocimientos médicos, el nuevo Living Laboratory se enfoca en enfermedades raras que carecen de datos. «A veces, solo hay 20 personas en el mundo que padecen una determinada enfermedad y no hay un grupo de control», dice Kohane. «El objetivo es recopilar la mayor cantidad de datos posible sobre cada paciente para comprender la enfermedad en profundidad. Hoy en día, la Administración de Drogas y Alimentos de los Estados Unidos (FDA) incluso utiliza los diarios de los pacientes. Analizamos los datos acumulados por Clalit durante décadas. «
La actividad del Instituto va de la mano con la de la Red de Enfermedades No Diagnosticadas (UDN), de la que Kohane también es miembro destacado. La Red está formada por un grupo de 12 centros médicos, a los que están invitadas las personas que padecen enfermedades no diagnosticadas. «Estos pacientes no solo sufren por su enfermedad, sino también por las tediosas y costosas idas y venidas entre los médicos y las pruebas sin sentido», dice Kohane.
La red nació como un proyecto de los Institutos Nacionales de Salud (NIH) de EE. UU., que comenzaron a investigar enfermedades no diagnosticadas de manera específica y lograron un diagnóstico valioso en el 40% de los casos, gracias principalmente a pruebas genéticas.
«Luego comenzaron a recibir llamadas de miembros del Congreso, ‘¿Por qué no están tratando a personas en mi distrito electoral?’ Pero no había presupuesto para tratarlos a todos. Hubo un raro acuerdo bipartidista para financiar la red en los EE. UU. Fue fundada en 2014 con un presupuesto de varios cientos de millones de dólares durante los primeros cinco años. Ahora su presupuesto es ligeramente inferior, porque los costos de la secuenciación genética se han reducido significativamente.
«Pero realizar la secuenciación genética es solo el comienzo. Cerca del 30 % de los pacientes que llegan a la Red de Enfermedades No Diagnosticadas en los EE. esa información importante se perdió, gracias a la nueva bioinformática en constante desarrollo».
La red «coincide» pacientes con enfermedades raras conocidas, pero también ha identificado docenas de nuevas enfermedades genéticas que eran desconocidas para la ciencia.
El próximo desafío: enfermedades raras no genéticas
«Todos nosotros, enfermos y sanos, tenemos mutaciones genéticas», dice Kohane. Entonces, ¿cómo saber cuáles son importantes para las enfermedades? «Es más un rompecabezas que un solo punto genético que se ilumina y dice ‘¡Soy yo! ¡Yo soy la causa de la enfermedad! Los conocimientos reales solo son posibles mediante el uso de IA en grandes bases de datos, combinados con una red de expertos experimentados. No veo ningún futuro en el que no necesitemos médicos expertos. Ven al paciente durante años, almacenan toda su historia en su cabeza y piensan constantemente en ella. Tienen información que en realidad no existe en ningún otro lugar excepto en su mente».
«Hoy, la tasa de diagnóstico de la red es del 35 %, y seguirá disminuyendo a medida que los médicos fuera de la red se familiaricen con más enfermedades genéticas, y el diagnóstico genético será más barato y simple», dice Kohane. «En otras palabras, habrá menos enfermedades genéticas que sean difíciles de diagnosticar, lo cual es excelente».
Quedarán todavía enfermedades de origen no genético sin diagnosticar, y ese será el próximo reto. «Hoy nuestro objetivo es diagnosticar enfermedades genéticas. Pero en el camino también descubrimos enfermedades infecciosas no diagnosticadas», dice Kohane. Esperan que, en el futuro, los estudios que examinaron la asociación entre la enfermedad y el medio ambiente permitan diagnosticar enfermedades graves cuyo origen es ambiental. Mientras tanto, la genética es el campo más accesible.
Si descubriera que un paciente tenía una enfermedad genética rara, ¿cómo se puede tratar hoy??
Kohane: «Primero, el solo hecho de que tengas una respuesta ya es un gran alivio. Pone fin a los interminables exámenes, la autoculpa, las personas que afirman que todo está en tu cabeza y los intentos inútiles de muchos. tratamientos».
Varias enfermedades ya tienen tratamientos en la actualidad. Tuvimos un ejemplo en la Red de un niño que dejó de caminar a los 5-6 años y comenzó a acumular deficiencias motoras. Cuando encontraron su deficiencia genética, pudieron inventar un cóctel personalizado de neurotransmisores que, en unos pocos meses, lo devolvieron a caminar y hablar.
«Varias empresas están trabajando en soluciones de edición genética y también en terapia génica utilizando ARN. Este campo, impulsado por grandes conjuntos de datos, es muy prometedor».
Publicado por Globes, noticias de negocios de Israel – es.globes.co.il – el 22 de marzo de 2023.
© Copyright de Globes Publisher Itonut (1983) Ltd., 2023.
