Transcriptómica e inteligencia artificial para la predicción de remodelado cardiaco desfavorable en pacientes operados por estenosis valvular aórtica

Datos básicos

Código:

INNVAL21/24

Dotación:

20.000,00 €

Año Inicial:

2021

Año final:

2024

Objetivos del proyecto

La estenosis valvular aórtica degenerativa grave (EAo) supone un problema sanitario de primer orden, con 16.000 nuevos diagnósticos cada año en España y prevalencia en ascenso con la esperanza de vida de la población. La sobrecarga hemodinámica provoca hipertrofia del ventrículo izquierdo (VI), que a la larga constituye un predictor de mal pronóstico funcional y de supervivencia. Hasta la fecha el único tratamiento efectivo de la EAo sintomática es la sustitución quirúrgica de la válvula patológica. Por otro lado, el remodelado miocárdico que acompaña a esta patología se considera actualmente una entidad con carácter propio, que condiciona el curso de la enfermedad y su pronóstico previo y posterior a la sustitución valvular. Asimismo, la regresión del remodelado VI tras el remplazamiento valvular condiciona su recuperación funcional y el re-equilibrio del balance de perfusión coronaria, lo que plantea que el tratamiento de la EAo debería ir más allá del recambio valvular. El estudio de los mecanismos moleculares y la regulación de genes implicados en el desarrollo del remodelado cardiaco y su regresión tras la cirugía son fundamentales para identificar potenciales dianas terapéuticas que favorezcan la reversión de este remodelado patológico. Es a su vez necesaria la identificación de marcadores moleculares o indicadores clínicos que ayuden a dilucidar cuál es el momento óptimo para realizar el recambio valvular, ya que en el 50% de las intervenciones la masa del VI no regresa a valores normales con el consiguiente fallo funcional. En este contexto, el poder predecir la evolución o pronóstico de una patología concreta es uno de los campos de la intelegencia artificial que hoy en día presentan mayor aplicabilidad en medicina. Por lo tanto, el desarrollo de un modelo predictivo utilizando la información de cada paciente (datos clínicos, multiómicos, ecocardiográficos) podría ayudar, mediante técnicas de minería de datos y machine learning, a producir procesos diagnósticos específicos dirigidos hacia cada paciente en particular y estrategias terapéuticas individualizadas que mejoren los resultados tras la cirugía de recambio valvular. En el siguiente proyecto pretendemos 1) Realizar un estudio diferencial de datos ómicos (transcriptoma de mRNA y miRNA) en biopsias de VI de pacientes con EAo (n=153) sometidos a cirugía de sustitución valvular, seguidos clínica y ecocardiográficamente durante 1 año tras la cirugía. 2) Identificar mediante análisis bioinformático las redes reguladoras a partir de los mRNA y los microRNA expresados diferencialmente en el VI de los pacientes que normalizan frente a los que no normalizan la masa del VI después del reemplazo valvular. 3) Desarrollar un modelo de predicción de remodelado y reversibilidad tras la cirugía mediante metodología basada en machine learning que combine la información clínica, los datos transcriptómicos y parámetros morfofuncionales (ecocardiografía). La inteligencia artificial y la metodología machine learning permitirá constituir redes de modelos fisiopatológicos de distintas enfermedades cardiovasculares mediante la incorporación de datos de la población individual, desde características genéticas hasta datos demográficos, para producir procesos diagnósticos específicos dirigidos hacia cada paciente en particular y estrategias terapéuticas individualizadas que mejoraran los resultados clínicos

Unidades de investigación

• CITOCINAS Y FACTORES DE CRECIMIENTO EN LOS FENÓMENOS DE PLASTICIDAD TISULAR PATOLÓGICA

  

  Investigador Responsable

  Juan Francisco Nistal Herrera

  juanfrancisco.nistal@scsalud.es