Determinación de endotipos y resultados del asma: Complementando la práctica clínica existente con aprendizaje automático moderno

Hay una oportunidad sin precedentes para utilizar el aprendizaje automático para integrar datos moleculares de alta dimensión con características clínicas para diagnosticar y manejar la enfermedad de manera precisa. El asma es una enfermedad compleja y heterogénea que no puede ser explicada únicamente por una respuesta inmune aberrante de tipo 2 (T2). Los conjuntos de datos multi-ómicos disponibles y emergentes del asma muestran una disfunción de diferentes vías biológicas, incluidas aquellas vinculadas a mecanismos T2. Si bien los biológicos dirigidos a T2 han cambiado la vida de muchos pacientes, no han demostrado ser efectivos para muchos otros a pesar de perfiles de biomarcadores similares. Por lo tanto, hay una gran necesidad de cerrar esta brecha para entender la heterogeneidad del asma, lo que se puede lograr aprovechando e integrando los ricos conjuntos de datos multi-ómicos del asma y los datos clínicos correspondientes. Este artículo presenta un compendio de enfoques de aprendizaje automático que se pueden utilizar para cerrar la brecha entre biomarcadores predictivos y firmas causales reales que son validadas en ensayos clínicos para, en última instancia, establecer verdaderos endotipos del asma.