La hepatitis B es una vida

Científico investigador, Universidad Nacional de Australia

profesor adjunto

Brett A. Lidbury recibe fondos del Programa de Uso de Calidad de Patología (QUPP) - Departamento de Salud de la Commonwealth. Tiene una beca de la Facultad de Ciencias del Colegio Real de Patólogos de Australasia (RCPA) y colabora con el Programa de Garantía de Calidad de RCPA (RCPAQAP).

Busayo I. Ajuwon no trabaja, consulta, posee acciones ni recibe financiamiento de ninguna empresa u organización que se beneficiaría de este artículo, y no ha revelado afiliaciones relevantes más allá de su cargo académico.

La Universidad Nacional de Australia proporciona financiación como miembro de The Conversation AU.

Ver todos los socios

Más de 296 millones de personas en todo el mundo viven con hepatitis B, una infección hepática potencialmente mortal causada por el virus de la hepatitis B (VHB). La mayoría no sabe que está infectada, por lo que no recibe atención médica. La atención clínica mejora el resultado del paciente y puede evitar que infecte a otros.

Por lo tanto, la detección temprana de pacientes infectados por el VHB podría mejorar el pronóstico de los pacientes y detener la transmisión dentro de las poblaciones.

La prueba recomendada para el VHB es un inmunoensayo enzimático. Detecta el antígeno de superficie de la hepatitis B, una sustancia que es un signo de la presencia del virus en el cuerpo de la persona.

Pero estas pruebas químicas son muy costosas y necesitan instalaciones dedicadas. Por lo general, están fuera del alcance de las personas en entornos de bajos recursos, donde los laboratorios son pocos y están aislados. Los médicos en estos entornos trabajan con recursos limitados contra un asesino silencioso que puede no mostrar síntomas evidentes durante décadas hasta que el hígado se daña gravemente.

Parte de la solución para desafíos de salud pública como este puede residir en el aprendizaje automático. Esto se refiere a la capacidad de las computadoras para dar sentido a grandes cantidades de información y construir sobre su propio "conocimiento".

Formamos parte de un grupo de investigadores de la Universidad Nacional de Australia que estudian el aprendizaje automático y las enfermedades infecciosas. Nuestra investigación anterior encontró que la prevalencia del VHB en Nigeria era alta (9,5 %, donde cualquier valor superior al 8 % se considera alto). Y los niveles de infección variaron significativamente entre zonas geopolíticas.

Leer más: Hepatitis B en Nigeria: datos recientes para informar la prevención y la atención

El acceso a pruebas asequibles era un problema en el país. Así que desarrollamos una herramienta para ayudar a los médicos a detectar antes las infecciones por hepatitis B.

Usando datos de pacientes de Nigeria, desarrollamos un algoritmo que aprende de los datos del paciente, identifica patrones y toma decisiones inteligentes para brindar alertas y detectar el estado de infección por VHB de un paciente. El objetivo es mejorar la toma de decisiones clínicas y mejorar los resultados de los pacientes. Permitir una atención más temprana debería brindar a millones de personas una mejor calidad de vida y ayudar a reducir la prevalencia del VHB.

Para construir esta herramienta, trabajamos en estrecha colaboración con colegas del Instituto Nigeriano de Investigación Médica. Proporcionaron acceso a datos de 916 pacientes anónimos, de manera éticamente aprobada. El instituto es el principal instituto de investigación médica de Nigeria y alberga una clínica dedicada a la hepatitis B.

Utilizamos los resultados de los análisis de sangre normales que miden los glóbulos rojos y blancos, las sales, las enzimas y otras sustancias químicas de la sangre, junto con los resultados de las pruebas de hepatitis B. Los análisis de sangre de rutina pueden ser muy útiles para facilitar el diagnóstico temprano si las interacciones sutiles entre las mediciones puede ser visto. Los patrones de interacciones pueden ser una señal de enfermedad. Pero es fácil pasarlos por alto.

Usando los datos, entrenamos un algoritmo para identificar marcadores de patología que predicen el estado de infección por VHB de un paciente. Una de las razones por las que el aprendizaje automático es tan poderoso es que no requiere que los humanos le digan a la computadora qué funciones identificar. Nuestro algoritmo filtra los datos para encontrar patrones que son comunes a los pacientes con infección por VHB y luego compara esos patrones en personas que no ha visto antes.

Una vez validado, el algoritmo se puede integrar en el flujo de trabajo clínico de rutina en un entorno clínico del mundo real, como un sistema inteligente de apoyo a la toma de decisiones. Esto ayudará a detectar antes las infecciones por VHB, sin recurrir a costosos inmunoensayos.

Para las 916 personas de nuestro estudio, nuestro algoritmo podría realizar de forma fiable una llamada inteligente para predecir con precisión las personas infectadas con el VHB. Su umbral de discriminación fue del 90 %, lo que indica que el algoritmo era muy preciso.

Luego traducimos esto en una aplicación fácil de usar y accesible desde la web para usar en estudios posteriores. La herramienta de apoyo a la toma de decisiones, Hep B LiveTest, se diseñó como prototipo.

La herramienta encontró que una combinación de dos enzimas, la edad del paciente y el recuento de glóbulos blancos era el predictor más fuerte de infección por VHB. Las dos enzimas son aspartato aminotransferasa y alanina aminotransferasa. Cuando los niveles de estos en la sangre son altos, puede indicar un daño hepático potencial. La albúmina sérica, un marcador de la función hepática, también se identificó como un importante marcador predictivo de infección.

Un estudio de pacientes chinos mostró tendencias similares a las sugeridas por nuestro algoritmo. La alanina aminotransferasa y la albúmina sérica fueron los predictores más prominentes.

Es importante reconocer las limitaciones del aprendizaje automático. Antes de que una herramienta como esta se ponga a trabajar en la práctica clínica habitual, debe validarse utilizando diversos datos.

Nuestra herramienta de aprendizaje automático se entrenó con datos de Nigeria, por lo que su rendimiento puede estar limitado a esa configuración. Estamos en el proceso de entrenar nuestro algoritmo con más datos de otras fuentes y validar su robustez en otras configuraciones. Esto informará qué tan ampliamente aplicable es nuestro algoritmo y qué tan bien podría funcionar en otras poblaciones, particularmente en entornos con una baja prevalencia de infecciones por hepatitis B.

Aunque nuestra herramienta de aprendizaje automático es solo una primera prueba, los resultados son muy alentadores. Una persona muere de hepatitis viral B cada 30 segundos. Esperamos poner nuestro sistema a trabajar pronto en la lucha urgente contra esta enfermedad prevenible por vacunación.

Creemos que el aprendizaje automático tiene un papel en la mejora de los objetivos de la Organización Mundial de la Salud de eliminar la hepatitis viral como un problema de salud pública para 2030.