Opinión: la nueva forma de detección
Cuando nace un bebé, se extraen unas gotas de sangre mediante un pinchazo en el talón y se depositan en papel de filtro. Las gotas de sangre seca se envían a los laboratorios de salud pública para una serie de pruebas de detección, que incluyen el análisis de aminoácidos y ésteres de ácidos grasos llamados acilcarnitinas por espectrometría de masas para la detección de más de 40 trastornos hereditarios. Esta prueba es bastante compleja ya que una muestra puede traducirse en más de 100 marcadores y proporciones. Dichos perfiles se interpretan de forma rutinaria mediante la aplicación de valores de corte basados en analitos y algoritmos secuenciales, el reconocimiento de patrones visuales para ciertos subconjuntos de datos puede ser útil, pero es subjetivo e inconsistente. En general, el statu quo actual es motivo de preocupación porque la tasa de falsos positivos puede llegar al 1 o 2 % en algunos programas y los eventos de falsos negativos son muy frecuentes.
Para mejorar el rendimiento analítico y los resultados de los pacientes, hay ahora es una forma diferente…
Desde 2005, los resultados analíticos de millones de recién nacidos sanos, así como los perfiles de casi 13.000 casos diagnosticados de 70 afecciones diferentes, se han cargado en una base de datos basada en la web. Allí, los percentiles acumulativos de los rangos normales y los rangos de enfermedades específicas de la condición se han actualizado constantemente. La importancia clínica para una condición se asigna a un marcador cuando el nivel de concentración promedio de casos positivos verdaderos está más allá del percentil 1 o 99 de la población normal. Este proceso de selección maximiza la utilidad clínica de cada objetivo en un perfil, incluidos los marcadores que tendrían un poder de discriminación limitado si se tomaran de forma aislada. A través de evaluaciones simultáneas de todos los marcadores posibles para cualquier condición en particular, se han reconocido y agregado tendencias y proporciones informativas previamente imprevistas como características únicas y discriminatorias, lo que da como resultado menos resultados falsos positivos y negativos.
La información colectiva en R4S se ha convertido en el conjunto de entrenamiento dinámico para un software de reconocimiento de patrones multivariante que genera herramientas interpretativas posanalíticas. Disponibles desde noviembre de 2011, las herramientas se enfocan en una sola condición o en el diagnóstico diferencial entre dos o más condiciones que tienen una herramienta activa basada en un número suficiente de casos. Otra característica, el diagrama de dispersión dual, muestra la distribución de las puntuaciones para el mismo caso calculadas con dos herramientas diferentes, que en conjunto están diseñadas para discriminar mejor entre las dos condiciones con fenotipos superpuestos. El gráfico proporciona un informe visual inmediato de la probabilidad de una condición sobre la otra.
Todos los resultados informativos de un paciente se fusionan en una sola puntuación. La puntuación está determinada por el grado de superposición entre los rangos normales y de enfermedad, la penetración de un resultado dado dentro del rango de enfermedad específico de la condición, las diferencias entre condiciones y los factores de corrección ponderados. Las puntuaciones se expresan como el rango percentil entre todos los casos con la misma afección y se comparan con pautas de interpretación seleccionables (por ejemplo: no informativo, posible, probable o muy probable) en función de los umbrales en la clasificación percentil de puntajes calculados para verdaderos positivos. casos.
La novedad de establecer rangos de enfermedad específicos de la enfermedad de marcadores validados clínicamente es que pueden dejar obsoletos los valores de corte estrictos basados en analitos en la interpretación de perfiles de laboratorio complejos. Hay una razón de peso para hacerlo. En un informe anterior del proyecto colaborativo, el 43 por ciento de más de 5300 valores de corte utilizados en los laboratorios de detección se superpusieron significativamente con muchos rangos de enfermedades y, por lo tanto, tenían una sensibilidad intrínsecamente baja, con el riesgo de eventos falsos negativos. Pero la observación más llamativa fue que casi la mitad de estos puntos de corte establecidos de manera inapropiada se aplicaron a 37 marcadores sin superposición entre la población normal y los rangos de enfermedad, de hecho, una situación en la que seleccionar un valor de corte clínicamente eficaz debería ser un proceso sencillo.
Además de proporcionar diagnósticos más precisos de enfermedades metabólicas en recién nacidos, se encuentra en progreso una nueva iniciativa para actualizar la infraestructura de TI para albergar un amplio espectro de esfuerzos clínicos y de investigación que podrían beneficiarse de este modo de interpretación de conjuntos de datos complejos. Este sistema, llamado Informe integrado de laboratorio colaborativo (CLIR), se basará en los mismos principios de fomentar la colaboración, el intercambio de datos, la comparación entre pares y herramientas actualizadas y ampliamente disponibles que se pueden personalizar según las necesidades de los médicos e investigadores de todo el mundo. del mundo.
Piero Rinaldo es codirector del Laboratorio de Genética Bioquímica de la Facultad de Medicina de Mayo Clinic en Rochester, Minnesota. Es profesor de medicina de laboratorio y profesor de Pediatría T. Denny Sanford. Para acceder al sitio web de R4S, envíe solicitudes de contraseña a rinaldo@mayo.edu.
¿Interesado en leer más?
Hacerse miembro de
Recibir acceso a más de 35 años de archivos, así como a TS Digest, ediciones digitales de The Scientist, artículos destacados, ¡y mucho más!Únase gratis hoy ¿Ya es miembro?Inicie sesión aquí