neurociencia, esclerosis múltiple, ELA, neurología
 |
| Los expertos esperan que este avance ayude a los médicos a comprender qué pacientes tienen mayor riesgo de complicaciones. Fotografía: Juan Gaertner/SCIENCE PHOTO LIBRARY/Getty Images/Science Photo Library RF |
La aplicación de algoritmos avanzados sobre imágenes cerebrales ha permitido identificar patrones ocultos de la enfermedad, desafiando las clasificaciones tradicionales y prometiendo acabar con la incertidumbre en el diagnóstico y tratamiento.
30 diciembre 2025.- Durante décadas, la Esclerosis Múltiple (EM) ha sido una enfermedad de "talla única" en su diagnóstico, pero impredecible en su evolución. Los pacientes recibían etiquetas genéricas basadas en sus síntomas, sin saber realmente si su enfermedad sería leve o agresiva. Esa era de incertidumbre podría estar llegando a su fin.
Un nuevo estudio publicado en la prestigiosa revista académica Brain ha utilizado la inteligencia artificial para analizar resonancias magnéticas con una precisión sobrehumana, revelando la existencia de dos nuevos subtipos de esclerosis múltiple que habían pasado desapercibidos para la medicina convencional. Este hallazgo no solo reescribe los libros de texto, sino que abre la puerta inmediata a la medicina de precisión para casi 3 millones de personas en todo el mundo.
El problema de las "viejas etiquetas"
Hasta ahora, la EM se clasificaba observando al paciente desde fuera: ¿Tiene brotes y luego mejora (Recurrente-Remitente)? ¿O empeora constantemente (Progresiva)?
Sin embargo, estas categorías clínicas a menudo fallaban. Pacientes con el "mismo" tipo de EM respondían de manera drásticamente diferente a los mismos fármacos. La razón, según revela este nuevo estudio, es que estábamos clasificando el libro por su portada (los síntomas) y no por su contenido (el daño biológico real en el cerebro).
Lo que vio la IA (y los humanos no)
Los investigadores entrenaron una herramienta de Inteligencia Artificial para analizar miles de escáneres cerebrales (MRI) de pacientes a lo largo del tiempo. A diferencia del ojo humano, que busca lesiones visibles (manchas blancas en el escáner), la IA analizó cambios sutiles en la estructura cerebral, la atrofia y la distribución del daño en la materia blanca y gris.
El algoritmo detectó dos patrones distintos de daño cerebral que no se correlacionan con las categorías antiguas, sino que dictan la verdadera agresividad de la enfermedad:
Subtipo de progresión temprana: Un perfil donde el daño cerebral estructural comienza mucho antes de que los síntomas graves sean visibles. Identificar a estos pacientes desde el día uno es crucial para intervenir agresivamente.
Subtipo de progresión tardía o estable: Un perfil donde, a pesar de la presencia de lesiones, el cerebro mantiene su integridad estructural durante más tiempo, lo que sugiere una necesidad de tratamientos diferentes, quizás menos invasivos y con menos efectos secundarios.
Las consecuencias: ¿Por qué esto cambia todo?
La identificación de estos subtipos no es solo un ejercicio académico; tiene tres consecuencias prácticas inmediatas para el futuro de la neurología:
1. El fin de la "Ruleta Rusa" farmacológica Actualmente, los médicos a menudo tienen que probar un fármaco, esperar meses para ver si funciona y, si falla, cambiar a otro. Con estos nuevos subtipos, los neurólogos podrán predecir qué pacientes necesitan los medicamentos más potentes desde la primera visita, evitando el daño irreversible que ocurre mientras se prueba un tratamiento ineficaz.
2. Ensayos clínicos más exitosos Muchos fármacos experimentales fallan en las pruebas no porque no funcionen, sino porque se prueban en el grupo equivocado de pacientes. Al separar a los pacientes por su verdadero subtipo biológico, los futuros ensayos clínicos serán más limpios y efectivos, acelerando la aprobación de nuevas curas.
3. Pronósticos reales para los pacientes Quizás el mayor alivio sea psicológico. Los pacientes recién diagnosticados podrán recibir una respuesta clara sobre cómo es probable que evolucione su enfermedad en los próximos 10 años, permitiéndoles planificar su vida laboral y personal con una certeza que hoy es imposible.
Este descubrimiento, validado en las páginas de Brain, confirma que el futuro de la medicina no pasa solo por nuevos medicamentos, sino por usar la tecnología para entender mejor la biología humana. La Esclerosis Múltiple es compleja, pero gracias a la IA, ya no es invisible.
RESUMEN TÉCNICO: Reclasificación Fenotípica de la Esclerosis Múltiple mediante Modelado SuStaIn Multimodal
Referencia: Brain, Volume 148, Issue 12, December 2025. Metodología: Aprendizaje automático no supervisado (algoritmo SuStaIn) aplicado a datos longitudinales de RM y marcadores séricos.
1. Hallazgo Principal: La Dicotomía sNfL-MRI
El estudio desafía la clasificación clínica tradicional (RRMS/SPMS/PPMS) al identificar dos fenotipos biológicos latentes definidos por la cronología relativa entre la neurodegeneración estructural y la elevación de marcadores de daño axonal. La diferenciación clave no es la sintomatología, sino el timing del pico de sNfL (cadena ligera de neurofilamentos en suero).
2. Biomarcadores Específicos y Perfiles Definidos
Los investigadores integraron biomarcadores de imagen y fluidos para definir los siguientes subtipos:
A. Subtipo de Elevación Temprana de sNfL (Early-sNfL Type) Este fenotipo se correlaciona con una enfermedad inflamatoria más agresiva y rápida.
Biomarcador Sérico: Elevación precoz y significativa de sNfL (por encima de los percentiles normativos ajustados por edad/IMC) en los estadios iniciales.
Biomarcador de Imagen (RM):
Lesión del Cuerpo Calloso: Daño estructural temprano y severo en el cuerpo calloso.
Carga Lesional: Acumulación acelerada de lesiones en T2/FLAIR.
Implicación Clínica: Alta probabilidad de "actividad" inflamatoria clásica. Candidatos ideales para terapias de alta eficacia (anti-CD20, terapias de reconstitución inmune) desde la primera línea.
B. Subtipo de Elevación Tardía de sNfL (Late-sNfL Type) Fenotipo caracterizado por una neurodegeneración "silenciosa" que precede a la inflamación sistémica detectable.
Biomarcador Sérico: Niveles de sNfL que permanecen estables o bajos durante las fases iniciales, elevándose solo en estadios avanzados.
Biomarcador de Imagen (RM):
Atrofia Cortical y de Sustancia Gris Profunda: Pérdida de volumen en la corteza y núcleos profundos (tálamo, ganglios basales) que ocurre antes de que se detecte una elevación significativa de sNfL.
Disociación Clínico-Radiológica: Posible progresión de la discapacidad (PIRA) sin brotes evidentes ni picos de sNfL iniciales.
Implicación Clínica: Pacientes que podrían ser infratratados bajo las guías actuales (al no mostrar "actividad" en sNfL o brotes). Requieren agentes con mayor penetrancia en SNC y mecanismos neuroprotectores (ej: inhibidores de BTK).
3. Mecanismo de Estratificación (El Algoritmo)
El estudio utilizó el modelo SuStaIn (Subtype and Stage Inference). A diferencia del análisis de clústeres tradicional, SuStaIn no solo agrupa a los pacientes, sino que reconstruye la trayectoria temporal de la enfermedad.
Permite situar a un paciente individual no solo en un subtipo (¿Qué tengo?), sino en un estadio preciso (¿En qué punto de la evolución estoy?), basándose en qué biomarcadores han alcanzado la "anormalidad" (z-score > 2) y en qué orden.
Conclusión para la Práctica Clínica
La integración de la monitorización de sNfL junto con la volumetría automatizada (especialmente de sustancia gris y cuerpo calloso) ofrece una ventana terapéutica superior a la RM convencional. La ausencia de sNfL elevado no descarta progresión agresiva si existe atrofia cortical temprana (Subtipo Tardío), lo cual sugiere una revisión de los protocolos de "NEDA" (No Evidence of Disease Activity) actuales.
COMENTARIOS