..Redacción.
La sepsis presenta una alta prevalencia y gravedad, ya que provoca el 20% de las muertes en el mundo y de entre el 20% y el 50% de las muertes hospitalarias en Estados Unidos cada año. Sin embargo, es una enfermedad difícil de diagnosticar y tratar eficazmente. Además, en muchos pacientes con síntomas parecidos a los de la sepsis, puede ser difícil su diagnóstico. Si no se trata rápidamente, puede provocar un shock, un fallo orgánico y la muerte.
Ahora, investigadores del Chan Zuckerberg Biohub (CZ Biohub), la Iniciativa Chan Zuckerberg (CZI) y la Universidad de California en San Francisco (UCSF), en EE. UU., 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. El estudio se ha publicado en la revista Nature Microbiology y este método tiene el potencial de superar con creces las capacidades de diagnóstico actuales.
El cultivo de los patógenos como método diagnóstico de la sepsis en la actualidad requiere mucho tiempo y no siempre identifica correctamente la bacteria que causa la infección
“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 Chaz Langelier, autor principal del estudio.
Los diagnósticos actuales de la sepsis se centran en la detección de las bacterias mediante su cultivo. Según los investigadores, este es un proceso “esencial para una terapia antibiótica adecuada, que es fundamental para la supervivencia de la sepsis“. Pero el cultivo de estos patógenos requiere mucho tiempo y no siempre identifica correctamente la bacteria que causa la infección.
Evitar el abuso de antibióticos
Asimismo, 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“, señala Langelier.
Los investigadores utilizaron la secuenciación metagenómica de próxima generación para identificar el material genético de organismos de reinos completamente diferentes, presentes en la misma muestra
“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. Sin embargo, el uso excesivo de antibióticos ha provocado un aumento de la resistencia a los mismos en todo el mundo.
Para este estudio, 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. Utilizaron la secuenciación metagenómica de próxima generación (mNGS). Este método identifica todos los ácidos nucleicos o datos genéticos presentes en una muestra. Después, compara esos datos con genomas de referencia para identificar los organismos microbianos presentes. Así, los científicos pueden identificar el material genético de organismos de reinos completamente diferentes, presentes en la misma muestra.
Captar la respuesta a la infección
Sin embargo, detectar e identificar la presencia de un patógeno por sí solo no es suficiente para un diagnóstico preciso de la sepsis. Por ello, los investigadores 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 Dra. Katrina Kalantar 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
La bióloga computacional principal del CZI y coprimera autora del estudio, la Dra. Katrina Kalantar, 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. Esto permitió diagnosticar la sepsis con una precisión muy alta. Los autores 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, la Dra. Kalantar programó el modelo para identificar los organismos presentes en una abundancia desproporcionadamente alta; en comparación con otros microbios en la muestra, para luego compararlos con un índice de referencia de microbios bien conocidos que causan sepsis.
Identificaron el 99% de los casos de sepsis bacteriana confirmada y el 92% de los casos de sepsis vírica confirmada
Detección del 99% de casos de sepsis bacteriana
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 predijeron la sepsis en el 74% de los casos clínicamente sospechosos que no habían sido diagnosticados definitivamente.
Además, descubrieron que podían utilizar este método combinado de respuesta del huésped y detección de microbios para diagnosticar la sepsis utilizando muestras de plasma. “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“, destaca Langelier.
Ahora, esperan 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 el investigador.
Noticias complementarias
- Dr. Ricard Ferrer (Vall d’Hebrón): «La resistencia a los antibióticos tiene un impacto muy importante en la sepsis»
- Marcio Borges: «El Código Sepsis reduce un 50% la mortalidad hospitalaria en los pacientes con reacción inflamatoria generalizada»
- Las nuevas tecnologías de laboratorio ahorran tiempo en la detección de la sepsis
