Piden aplicar la Medicina Personalizada en colangitis biliar primaria

Un artículo publicado en la revista Journal of Autoimmunity pide la aplicación de modelos pronósticos para la colangitis biliar primaria basados en la estratificación del riesgo en lugar de en la respuesta al ácido ursodesoxicólico.

Los autores –gastroenterólogos, genetistas y matemáticos dos universidades italianas y una británica– abogan por la utilización de las distintas ‘ómicas’ (genómica, epigenómica, proteómica, etc.) para establecer escalas de riesgo al momento del diagnóstico a través de distintos biomarcadores.

“Un modelo de predicción del riesgo es importante para entender los determinantes del curso de la enfermedad y los resultados de la colangitis biliar primaria e informar del riesgo a lo largo de la enfermedad permitiendo un seguimiento clínico estratificado según riesgo, y un tratamiento personalizado”.

La espera no está libre de consecuencias

---

"Estamos afrontando una oportunidad sin precedentes para integrar los diagnósticos moleculares en la clínica", defiende el texto

---

De esta manera, se adelantarían a la respuesta al tratamiento, pues el tiempo de espera hasta que el ácido ursodesoxicólico falle en pacientes con alto riesgo “no está libre de consecuencias”, han explicado estos investigadores.

“Estamos afrontando una oportunidad sin precedentes para integrar los diagnósticos moleculares en la clínica”, señala el artículo. En la era digital, “las aplicaciones de inteligencia artificial, como el machine learning, pueden apoyar la gran cantidad de datos generados por las ‘ómicas’”.

Respuesta al ácido ursodesoxicólico

En la actualidad, los modelos pronósticos actuales de la colangitis biliar primaria se basan en la respuesta al tratamiento al ácido ursodesoxicólico, ya que la relación entre la presencia de fosfatasa alcalina y los resultados a largo plazo del tratamiento es bien conocida.

Sin embargo, “hay necesidad de mejores variables pronósticas”, entienden los investigadores. “Necesitamos tomar una aproximación integradora que incorpore múltiples capas de información, incluyendo influencias genéticas y ambientales”.