Modelo predictivo para la enfermedad de Crohn

En consonancia con estudios previos, la investigación desarrollada por Takeda y Savana en el marco del estudio ‘Premonition-CD’ ha confirmado el tabaquismo como factor de riesgo de desarrollo de enfermedad de Crohn, además de como factor de peor pronóstico. Asimismo, cabe destacar que se ha detectado una concomitancia entre antecedentes familiares de neoplasias gastrointestinales y el diagnóstico de EC.

Enfermedad de Crohn

Se trata de una patología con una incidencia en España de 7,5 casos por cada 100.000 habitantes que puede causar –en los casos más severos– graves efectos físicos y psicológicos en el paciente, así como una importante carga económica para los sistemas de salud. Tal y como apunta el doctor Fernando Gomollón, jefe del Servicio de Gastroenterología del Hospital Clínico Universitario Lozano Blesa (Zaragoza) y profesor asociado de la Facultad de Medicina de Zaragoza, además de autor principal de la investigación, «este es uno de los primeros modelos que predice nuevos brotes”.

El doctor Gomollón subraya, además, el gran reto al que se han enfrentado los investigadores para su desarrollo, ya que “la enfermedad de Crohn es una patología muy compleja, y predecir recaídas u otras complicaciones es un gran desafío«. Este modelo, que ha sido publicado recientemente por la revista científica The European Journal of Gastroenterology & Hepatology y cuenta con una precisión superior al 80%, podría beneficiar el manejo de los pacientes al poner el foco en factores detectados rutinariamente en las analíticas.

Como parte de este estudio multicéntrico, se han clasificado más de 25.000 variables clínicas y demográficas con los datos clínicos de más de 6.000 pacientes con enfermedad de Crohn procedentes de registros médicos electrónicos de ocho hospitales madrileños, una muestra considerablemente superior a la mayoría de los estudios publicados hasta la fecha. En este trabajo han colaborado un extenso grupo de investigadores.

Modelos predictivos

Desde un punto de vista clínico, las enfermedades complejas y de prevalencia relativamente baja, como la EC, se comprenden mejor utilizando registros grandes de población con información de seguimiento disponible, por lo que las Historias Clínicas Electrónicas (HCE) de pacientes son una fuente de datos destacada. Estas son cada vez más accesibles y contienen información heterogénea de exámenes médicos, diagnósticos, prescripciones y procedimientos, así como pruebas de laboratorio. La mayor parte de la información en estas historias clínicas de pacientes no está estructurada, sino que se incluyen los resultados de las imágenes o las notas clínicas en texto libre. Esta información está escrita por médicos y otros profesionales de la salud en su práctica habitual en consulta, reflejando así datos de vida real.

En este estudio, los investigadores utilizaron la tecnología de Procesamiento de Lenguaje Natural (PLN) de Savana para detectar conceptos clínicos que aparecen en el texto libre de las HCE. Además, para identificar factores clínicos predictores de recaída, se usaron métodos de machine learning para la creación de modelos predictivos (regresión logística, árboles de decisión y bosques aleatorios) que convierten este estudio en pionero en este campo.