Combatiendo la tuberculosis farmacorresistente desde la Inteligencia Artificial

La Organización Mundial de la Salud (OMS), estimó que en el 2021 se presentaron a nivel global 558,000 casos (483,000 a 639,000) de TB resistente a rifampicina (TB-RR), el fármaco de primera línea más efectivo. De estos, el 82% era TB multi-farmacorresistente (TB-MDR), es decir, también presentaba resistencia a por lo menos al segundo fármaco más importante, isoniacida. La farmacorresistencia se ha incrementado en los últimos 15 años, llegando a generar cepas de M. tuberculosis que son resistentes a todos los fármacos existentes para tratar a la enfermedad, denominándose cepas extremadamente farmacorresistentes (TB-XDR) [1]. La TB farmacorresistente (TB-DR), se transmite de la misma forma que la TB sensible. Sin embargo, es complicado tratar y curar la TB-DR, debido a que los fármacos son más caros y tóxicos que los fármacos utilizados para la TB sensible.

La estrategia tradicional para el diagnóstico de la TB-DR se basa en las pruebas de sensibilidad farmacológica a partir del cultivo microbiológico. La principal limitación es que se requieren de 12 a 16 semanas para obtener resultados, tiempo en el cual el paciente, al no tener el tratamiento farmacológico correcto, seguirá transmitiendo la bacteria entre la población. A nivel mundial, solo el 64% de los casos de TB son diagnosticados, es decir, de los 10 millones de personas que se diagnostican por primera vez, 3.6 millones de personas no saben que están enfermas de TB [1]. Hoy en día, los métodos moleculares tienen ventajas considerables para escalar la gestión y vigilancia programática de la TB-DR, ofreciendo diagnósticos rápidos, eficientes y sin el requisito del uso de un área de bioseguridad nivel 3 [2]. La OMS desde el 2010 ha recomendado el uso de pruebas moleculares rápidas y sensibles con el fin de reemplazar o complementar las pruebas convencionales existentes para detectar el complejo M. tuberculosis y resistencia a rifampicina [3].

La secuenciación del ADN con métodos de nueva generación (SNG) detecta rápidamente mutaciones asociadas con la resistencia a fármacos contra la TB, lo que le permite al médico tener la información necesaria para implementar el tratamiento farmacológico de manera individualizada, oportuna y expedita [3]. Consecuentemente la cadena de transmisión de la enfermedad se cortaría de manera más temprana disminuyendo la generación de nuevos casos. Sin embargo, la información de la SNG se debe de procesar con modelos computacionales complicados, de los que solo los expertos en bioinformática pueden analizarlos, y el análisis puede tardar días. Por lo que, es imperativo desarrollar interfaces o implementaciones amigables para los usuarios y tomadores de decisiones. Escalando las implementaciones para mantener la velocidad de procesamiento, rendimiento y costo computacional al alcance de las instituciones de salud.

La inteligencia artificial (IA), se refiere a la capacidad del sistema para interpretar datos externos correctamente, aprender de dichos datos y usar esos aprendizajes para lograr objetivos y tareas específicas utilizando una adaptación flexible [4]. La IA está transformando la práctica médica, la utilidad de la IA se ha estudiado en múltiples áreas de la salud, incluyendo la medicina de precisión, salud poblacional, procesamiento de imágenes en radiología, dermatología y oftalmología, entre otros [5]. La IA permite analizar grandes conjuntos de datos digitales disponibles para generar modelos idóneos de capacitarse a sí mismos en una tarea específica [4]. La IA aplicada en modelos de cómputo permite determinar el perfil de farmacorresistencia de la bacteria con un costo menor en tiempo y con una precisión mayor a los métodos tradicionales fenotípicos. El manejo de la TB-DR requiere del uso de herramientas de diagnóstico con una alta sensibilidad y especificidad, y algo muy importante, que los resultados puedan obtenerse en cuestión de horas, permitiendo de esta manera, que el paciente pueda iniciar el tratamiento de manera inmediata, cortando la cadena de transmisión [3], [6].

El proyecto “Identificación y predicción de farmacorresistencia en pangenoma de Mycobacterium tuberculosis utilizando métodos de Machine Learning”, que estamos desarrollando en alianza con UNAM-HUAWEI, tiene el objetivo de predecir la farmacorresistencia a partir de la información del genoma completo de aislados clínicos de M. tuberculosis mediante un modelo de red neuronal convolucional reduciendo el tiempo de diagnóstico para disminuir la incidencia de pacientes que desarrollen farmacorresistencia.