El síndrome de Sjögren primario (pSS) es una enfermedad autoinmune sistémica definida por la infiltración de las glándulas exocrinas y la afectación sistémica. El manejo de pSS se ve obstaculizado por tres desafíos persistentes: seronegatividad, heterogeneidad y diagnóstico tardío. Hasta un tercio de los pacientes carecen de autoanticuerpos contra el antígeno A/B relacionado con el síndrome de Sjögren (SSA/SSB), lo que contribuye a la clasificación errónea y al reconocimiento tardío. Estudios recientes han ampliado el repertorio de autoanticuerpos, identificando nuevos objetivos como la anti-D-aminoacil-tRNA deacilasa 2 (DTD2), el factor de silenciamiento de retroelementos-1 (RESF1) y la anti-calreticulina (CALR), así como paneles múltiplex que incluyen la anti-proteína salival-1 (SP-1), la anti-proteína secretora parotídea (PSP) y la anti-anhidrasa carbónica VI (CA6). Estos pueden detectar la enfermedad antes de la seroconversión convencional, ofreciendo así un valor diagnóstico para los casos seronegativos. El mayor desafío sigue siendo la detección temprana, ya que la dependencia actual de biopsias y serologías tardías pasa por alto la enfermedad subclínica. En este contexto, los biomarcadores de fluidos no invasivos son transformadores, con la proteómica de fluidos salivales y de lágrimas (β2-microglobulina, clústerin, metaloproteinasa de matriz-9), el ácido ribonucleico microexosomal (miARNs) y las huellas metabolómicas que proporcionan indicadores sensibles de disfunción glandular y activación inmune. Cuando se combinan con aprendizaje automático, los paneles multi-ómicos integrados pueden lograr precisiones diagnósticas comparables a biopsias, al mismo tiempo que permiten la estratificación prognóstica. Los enfoques emergentes también aprovechan la inteligencia artificial (IA) para refinar el descubrimiento de biomarcadores y la traducción clínica. La ultrasonografía asistida por IA permite la cuantificación reproducible de la inflamación glandular, mientras que la aplicación de modelos integrativos de IA a conjuntos de datos multi-ómicos puede identificar firmas de biomarcadores con una superior precisión predictiva. Tales herramientas tienen el potencial de acelerar el diagnóstico temprano, automatizar la predicción de riesgo y guiar la terapia de precisión en tiempo real. El uso futuro de paneles de biomarcadores en la práctica clínica debería reducir el tiempo hasta el diagnóstico, facilitando así la anticipación del riesgo y la provisión de terapia basada en la causa subyacente. En esta revisión, describimos cómo pSS ejemplifica algunos de los problemas inherentes a la autoinmunidad contemporánea. Esta condición multifacética y diversa está bien posicionada para beneficiarse de metodologías integradoras impulsadas por biomarcadores, lo cual debería conducir a una mejora en los resultados de los pacientes.
Thi et al. (2026) estudiaron esta cuestión.