MADRID 28 Sep. (EUROPA PRESS) -
Un análisis de sangre realizado en el momento de la infección por Covid-19 podría predecir quién tiene más probabilidades de desarrollar Covid persistente, según sugiere un nuevo estudio a pequeña escala dirigido por investigadores de la University College de Londres (UCL). El estudio, publicado en 'Lancet eBioMedicine', analizó las proteínas de la sangre de los trabajadores sanitarios infectados por el SARS-CoV-2, comparándolas con las muestras de los trabajadores sanitarios que no habían sido infectados.
Los niveles de proteínas en el cuerpo suelen ser estables, pero los investigadores descubrieron una diferencia drástica en los niveles de algunas de las proteínas hasta seis semanas después de la infección, lo que sugiere una alteración de varios procesos biológicos importantes.
Utilizando un algoritmo de inteligencia artificial (IA), identificaron una "firma" en la abundancia de diferentes proteínas que predijo con éxito si la persona pasaría a presentar síntomas persistentes un año después de la infección.
Los investigadores afirman que, si estos resultados se repiten en un grupo más amplio e independiente de pacientes, podría ofrecerse una prueba junto con una prueba de reacción en cadena de la polimerasa (PCR) que podría predecir la probabilidad de que las personas desarrollen Covid largo.
La autora principal, la doctora Gaby Captur, de la Unidad del MRC para la Salud y el Envejecimiento a lo largo de la vida en la UCL, destaca que el estudio "demuestra que incluso el Covid-19 leve o asintomático altera el perfil de las proteínas en nuestro plasma sanguíneo. Esto significa que incluso el Covid-19 leve afecta a los procesos biológicos normales de forma dramática, hasta al menos seis semanas después de la infección".
"Nuestra herramienta de predicción de Covid largo aún debe ser validada en un grupo independiente y más amplio de pacientes --prosigue--. Sin embargo, utilizando nuestro enfoque, una prueba que prediga el Covid largo en el momento de la infección inicial podría ponerse en marcha rápidamente y de forma rentable. El método de análisis que utilizamos está fácilmente disponible en los hospitales y es de alto rendimiento, lo que significa que puede analizar miles de muestras en una tarde".
Por su parte, la autora principal, la doctora Wendy Heywood, del Instituto de Salud Infantil del UCL Great Ormond Street y Hospital Great Ormond Street, apunta que, "si podemos identificar a las personas que tienen probabilidades de desarrollar Covid largo, esto abre la puerta a probar tratamientos como los antivirales en esta etapa inicial de la infección, para ver si puede reducir el riesgo de Covid largo posterior".
Para el estudio, los investigadores analizaron muestras de plasma sanguíneo de 54 trabajadores sanitarios que tenían una infección confirmada por PCR o anticuerpos, tomadas cada semana durante seis semanas en la primavera de 2020, comparándolas con muestras tomadas durante el mismo periodo de 102 trabajadores sanitarios que no estaban infectados.
Utilizaron la espectrometría de masas dirigida, una forma de análisis que es extremadamente sensible a los pequeños cambios en la cantidad de proteínas en el plasma sanguíneo, para observar cómo Covid-19 afectaba a estas proteínas en el transcurso de seis semanas. Descubrieron niveles anormalmente altos de 12 proteínas de las 91 estudiadas entre los infectados por el SARS-CoV-2, y que el grado de anormalidad coincidía con la gravedad de los síntomas.
El equipo de investigación descubrió que, en el momento de la primera infección, los niveles anormales de 20 proteínas estudiadas eran predictivos de la persistencia de los síntomas al cabo de un año. La mayoría de estas proteínas estaban vinculadas a procesos anticoagulantes y antiinflamatorios.
Un algoritmo de aprendizaje automático, entrenado con los perfiles proteicos de los participantes, fue capaz de distinguir a todos los 11 trabajadores sanitarios que declararon al menos un síntoma persistente al año, de los trabajadores sanitarios infectados que no declararon síntomas persistentes al cabo de un año. Se utilizó otra herramienta de aprendizaje automático para estimar la probabilidad de error y sugirió una posible tasa de error del 6% para este método.
