La Esclerosis Múltiple (EM) se divide en la actualidad en cuatro subtipos: Síndrome Clínicamente Aislado, Remitente-recurrente, Secundaria Progresiva y Primera Progresiva. Son utilizados para guiar los tiempos y la elección de tratamientos. Sin embargo, estos subtipos se basan en síntomas observados, como recaídas y discapacidad que pueden ser difíciles de medir y pueden no reflejar la biología subyacente dirigiendo el curso de la EM de una persona.

Investigadores querían ver si había patrones escondidos en las IRM (imágenes por resonancia magnética) cerebrales tomadas a lo largo del tiempo, que ayudasen a identificar mejor las diferencias biológicas en la actividad de la EM y detectar la progresión antes.

Un equipo internacional, coordinado por Arman Eshaghi, utilizó escáneres de IRM implicados en ensayos clínicos que implicaban a 6.322 personas con Esclerosis Múltiple. Fueron extraídos datos de los escáneres y se usó el machine learning (inteligencia artificial de aprendizaje automatizado) para identificar subgrupos con patrones similares de cambio en las estructuras del cerebro a lo largo del tiempo. Los resultados de los hallazgos iniciales fueron verificados con una segunda tanda de escáneres de imagen por resonancia magnética de 3.068 personas con EM.

Los científicos se encontraron con que podían clasificar a las personas en tres subtipos, basándose en cambios tempranos vistos en los escáneres de imagen por resonancia magnética:

• El subtipo dirigido por el córtex cerebral mostró signos tempranos de encogimiento del tejido en la capa externa del cerebro.
• El subtipo dirigido por sustancia blanca de apariencia normal comenzó con cambios en el tejido difusos en la mitad del cerebro.
• El subtipo inducido por lesiones comenzó con una acumulación generalizada de lesiones, seguida de una contracción temprana y severa de los tejidos cerebrales en varias áreas.

Los investigadores concluyeron que los tres nuevos subtipos basados en IRM son mejores para predecir la actividad de la Esclerosis Múltiple, progresión de la enfermedad y respuesta al tratamiento que los tipos estándares de recaídas y progresión.

Estos hallazgos tienen el potencial de abrir nueva investigación enfocada a nuevos y más eficientes tratamientos al permitir a los investigadores seleccionar a los participantes de los ensayos clínicos en base a la biología que esté dirigiendo el curso de su EM. En el futuro, esta aproximación puede ser usada en la clínica para apoyar la elección de tratamiento.

-Fuente consultada: Multiple Sclerosis Trust

-Artículo científico original (‘Identifying multiple sclerosis subtypes using unsupervised machine learning and MRI data’): En Nature