MADRID, 31 Oct. (EUROPA PRESS) -
La sepsis, la reacción exagerada del sistema inmunitario en respuesta a una infección, es la causa de un 20 por ciento de las muertes en el mundo y de entre el 20 y el 50 por ciento de las muertes hospitalarias en Estados Unidos cada año. Sin embargo, a pesar de su prevalencia y gravedad, la enfermedad es difícil de diagnosticar y tratar eficazmente.
La enfermedad puede provocar una disminución del flujo sanguíneo a los órganos vitales, inflamación en todo el cuerpo y una coagulación sanguínea anormal. Por lo tanto, si la sepsis no se reconoce y se trata rápidamente, puede provocar un shock, un fallo orgánico y la muerte. Pero puede ser difícil identificar qué patógeno está causando la sepsis, o si la infección está en el torrente sanguíneo o en otra parte del cuerpo. Y en muchos pacientes con síntomas parecidos a los de la sepsis, puede ser difícil determinar si realmente tienen una infección.
Ahora, los investigadores del Chan Zuckerberg Biohub (CZ Biohub), la Iniciativa Chan Zuckerberg (CZI) y la Universidad de California en San Francisco (UCSF), en Estados Unidos, han desarrollado un nuevo método de diagnóstico que aplica el aprendizaje automático a los datos genómicos avanzados tanto del microbio como del huésped, para identificar y predecir los casos de sepsis. Tal y como se ha publicado en 'Nature Microbiology', el método es preciso y tiene el potencial de superar con creces las capacidades de diagnóstico actuales.
"La sepsis es uno de los 10 principales problemas de salud pública a los que se enfrenta la humanidad", ha dicho el autor principal, Chaz Langelier. "Uno de los principales retos de la sepsis es el diagnóstico. Las pruebas de diagnóstico existentes no son capaces de captar la naturaleza dual de la enfermedad: la propia infección y la respuesta inmunitaria del huésped a la infección", explica
Los diagnósticos actuales de la sepsis se centran en la detección de las bacterias mediante su cultivo, un proceso que es "esencial para una terapia antibiótica adecuada, que es fundamental para la supervivencia de la sepsis", según los investigadores del nuevo método.
Pero el cultivo de estos patógenos requiere mucho tiempo y no siempre identifica correctamente la bacteria que causa la infección. Del mismo modo, en el caso de los virus, las pruebas de PCR pueden detectar que los virus están infectando a un paciente, pero no siempre identifican el virus concreto que está causando la sepsis.
"Esto hace que los médicos no puedan identificar la causa de la sepsis en un porcentaje estimado de entre el 30 y el 50 por ciento de los casos", ha dicho Langelier. "Esto también conduce a un desajuste en cuanto al tratamiento con antibióticos y el patógeno causante del problema", añade.
A falta de un diagnóstico definitivo, los médicos suelen recetar un cóctel de antibióticos para intentar detener la infección, pero el uso excesivo de antibióticos ha provocado un aumento de la resistencia a los mismos en todo el mundo.
Los investigadores analizaron muestras de sangre total y plasma de más de 350 pacientes en estado crítico que habían ingresado en el Centro Médico de la UCSF o en el Hospital General Zuckerberg de San Francisco entre 2010 y 2018.
Pero en lugar de confiar en los cultivos para identificar los patógenos en estas muestras, un equipo dirigido por las científicas del CZ Biohub Norma Neff y Angela Pisco utilizó en su lugar la secuenciación metagenómica de próxima generación (mNGS). Este método identifica todos los ácidos nucleicos o datos genéticos presentes en una muestra, y luego compara esos datos con genomas de referencia para identificar los organismos microbianos presentes, y permite a los científicos identificar el material genético de organismos de reinos completamente diferentes (ya sean bacterias, virus u hongos) que están presentes en la misma muestra.
Sin embargo, detectar e identificar la presencia de un patógeno por sí solo no es suficiente para un diagnóstico preciso de la sepsis, por lo que los investigadores del Biohub también realizaron un perfil transcripcional --que cuantifica la expresión génica-- para captar la respuesta del paciente a la infección.
A continuación, aplicaron el aprendizaje automático a los datos mNGS y transcripcionales para distinguir entre la sepsis y otras enfermedades críticas y confirmar así el diagnóstico. La doctora Katrina Kalantar, bióloga computacional principal del CZI y coprimera autora del estudio, creó un modelo integrado huésped-microbio entrenado con datos de pacientes en los que se había establecido una sepsis o una enfermedad inflamatoria sistémica no infecciosa, lo que permitió diagnosticar la sepsis con una precisión muy alta.
Para empezar, los investigadores identificaron los cambios en la expresión génica entre los pacientes con sepsis confirmada y las enfermedades inflamatorias sistémicas no infecciosas que parecían clínicamente similares, y luego utilizaron el aprendizaje automático para identificar los genes que mejor podían predecir esos cambios.
Los investigadores descubrieron que cuando el cultivo bacteriano tradicional identificaba un patógeno causante de la sepsis, solía haber una sobreabundancia de material genético de ese patógeno en la correspondiente muestra de plasma analizada por mNGS. Teniendo esto en cuenta, Kalantar programó el modelo para identificar los organismos presentes en una abundancia desproporcionadamente alta en comparación con otros microbios en la muestra, y para luego compararlos con un índice de referencia de microbios bien conocidos que causan sepsis.
Los investigadores descubrieron que el método mNGS y su modelo correspondiente funcionaban mejor de lo esperado: Fueron capaces de identificar el 99% de los casos de sepsis bacteriana confirmada, el 92% de los casos de sepsis vírica confirmada y fueron capaces de predecir la sepsis en el 74% de los casos clínicamente sospechosos que no habían sido diagnosticados definitivamente.
El equipo también se entusiasmó al descubrir que podían utilizar este método combinado de respuesta del huésped y detección de microbios para diagnosticar la sepsis utilizando muestras de plasma, que se recogen rutinariamente de la mayoría de los pacientes como parte de la atención clínica estándar. "El hecho de que se pueda identificar a los pacientes con sepsis a partir de este tipo de muestra fácil de recoger y ampliamente disponible tiene grandes implicaciones en términos de utilidad práctica", dijo Langelier.
El equipo espera aprovechar esta técnica de diagnóstico para desarrollar un modelo que también pueda predecir la resistencia a los antibióticos de los patógenos detectados con este método. "Hemos tenido cierto éxito en el caso de las infecciones respiratorias, pero nadie ha dado con un buen enfoque para la sepsis", afirma Langelier.
