• Deportes
  • Entretenimiento
  • Mundo
  • Negocio
  • Noticias
  • Salud
  • Tecnología
Notiulti
Noticias Ultimas
Inicio » Machine learning
Tag:

Machine learning

Salud

Boicot a conferencia de IA revela brecha entre EE. UU. y China

by Editora de Salud abril 14, 2026
written by Editora de Salud

Boicot a prestigiosa conferencia de IA revela creciente división entre Estados Unidos y China

La controversia en torno a la asistencia a la reunión de NeurIPS 2026 ha puesto de manifiesto una creciente brecha en la investigación de inteligencia artificial (IA) entre Estados Unidos y China. Una organización de investigación clave en China ha decidido boicotear esta prestigiosa conferencia, gestionada por una organización sin fines de lucro basada en Estados Unidos, tras una disputa sobre una política que inicialmente parecía excluir a numerosos investigadores chinos.

Boicot a prestigiosa conferencia de IA revela creciente división entre Estados Unidos y China

Aunque NeurIPS posteriormente se disculpó y suavizó dicha política, la Asociación China para la Ciencia y la Tecnología (CAST) ha mantenido su decisión. CAST ha determinado que dejará de financiar la asistencia de sus investigadores a la conferencia y restará valor a los artículos publicados en NeurIPS dentro de las evaluaciones cruciales de los investigadores.

Según analistas, esta situación refleja la división entre ambas naciones. Rebecca Arcesati, especialista en políticas de IA del Instituto Mercator para Estudios de China en Bruselas, señala que la decisión de CAST podría ser una señal de que China puede ser autosuficiente en la investigación avanzada de IA, demostrando que el país actuará por su cuenta si el talento chino no es apreciado o bienvenido en estos encuentros.

La importancia de la participación china es significativa. El año pasado, por primera vez, los investigadores basados en China representaron la mayor proporción de autores principales en la conferencia NeurIPS celebrada en San Diego, California. Además, un estudio de 2025 realizado por la firma Digital Science indicó que China ya publica el mayor volumen de artículos sobre IA y posee un grupo de talentos que supera ampliamente al de sus rivales.

William Hannas, especialista en China del Centro para la Seguridad y Tecnologías Emergentes de la Universidad de Georgetown en Washington DC, ha advertido que, sin la participación de China, la conferencia NeurIPS se vería «devastada».

abril 14, 2026 0 comments
0 FacebookTwitterPinterestLinkedinEmail
Tecnología

Rubin Observatory: Big Data y el Futuro del Descubrimiento Astronómico

by Editor de Tecnologia marzo 18, 2026
written by Editor de Tecnologia

La ciencia moderna depende cada vez más de enormes conjuntos de datos y análisis automatizados. En astronomía, la Legacy Survey of Space and Time (LSST) del Observatorio Vera C. Rubin –un estudio de diez años que cubrirá casi mil veces todo el cielo austral en la próxima década– pondrá a prueba los límites de esta dependencia.

El Observatorio Rubin, ubicado en la cima de una montaña llamada Cerro Pachón en Chile, tiene como objetivo catalogar el cielo nocturno con un detalle exquisito. El observatorio busca responder a numerosas preguntas sobre el universo estudiando diferentes fenómenos celestes, incluyendo supernovas (estrellas que explotan), asteroides, materia oscura y las propiedades de nuestra propia galaxia.

También responderá a una pregunta que domina todas las áreas de la ciencia en el siglo XXI: ¿cómo se concibe el descubrimiento en la era del considerable data?

Aunque financiado principalmente por el Departamento de Energía y la Fundación Nacional de Ciencias (NSF) de EE. UU., el telescopio Rubin es el producto de un esfuerzo colaborativo de astrónomos de seis continentes y más de una docena de países.

El Reino Unido, Francia, España, Italia, Japón, Brasil, Australia, Sudáfrica y Canadá, entre otros, proporcionaron asistencia para la configuración de sus sistemas de procesamiento de datos. Estas contribuciones en especie otorgan a los investigadores de estos países derechos de datos para la LSST.

Las alertas que proporcionan datos científicos se envían a siete “intermediarios” distribuidos por todo el mundo. Estos intermediarios son sitios web o software que los astrónomos utilizan para acceder a los datos de la LSST.

Las alertas proporcionan información sobre un nuevo objeto astronómico, como su probabilidad de ser real, su tipo, la galaxia a la que pertenece y cómo ha cambiado su brillo con el tiempo. Con estos datos, los astrónomos pueden seleccionar los mejores candidatos para investigaciones de seguimiento.

Sin embargo, incluso con los esfuerzos de los equipos de software y los intermediarios, todavía hay demasiados datos transitorios para que cualquier equipo de investigación los examine. La etapa final del procesamiento de datos del telescopio Rubin implicará que los científicos utilicen técnicas de aprendizaje automático e IA para identificar los mejores datos.

Estas técnicas pueden servir para identificar objetos cósmicos reales entre los terabytes de alertas falsas recibidas, o para clasificar los que resulten más interesantes para los científicos.

The Rubin observatory will generate huge amounts of data, requiring large numbers of personnel to analyse it. NOIRLab/NSF/AURA/T. Slovinský

La astronomía es cada vez más intensiva en código y se centra en el desarrollo interno. Dada la enorme cantidad de datos generados cada noche de observaciones con el telescopio, no es sorprendente que sea una de las primeras ciencias en recurrir al aprendizaje automático como solución.

La Informatics and Statistics Science Collaboration (ISSC) de la LSST, por ejemplo, es un grupo de más de 150 científicos de datos que trabajan en el desarrollo de herramientas para la astronomía, centrándose en los objetivos científicos de datos de la encuesta.

La astronomía ha liderado el camino en lo que respecta al big data, con financiación proporcionada por empresas como Amazon y Microsoft para varios proyectos importantes. De hecho, el nombre del telescopio de 8,4 metros Simonyi Survey Telescope en el Observatorio Rubin, Charles Simonyi, es conocido por su desarrollo de software en los primeros días de Microsoft, así como por su labour filantrópica.

El volumen de datos producido por el observatorio no solo generará oportunidades para científicos, desarrolladores de software y trabajadores tecnológicos, sino también para voluntarios interesados en la astronomía a través de proyectos de ciencia ciudadana.

La asociación de la LSST con la plataforma de ciencia ciudadana Zooniverse pedirá a los voluntarios que revisen los datos y proporcionen contexto adicional a lo que se les muestra, identificando objetos interesantes, descartando datos basura y clasificando varios tipos de fenómenos.

Lecciones para el futuro

¿Qué nos dice el Observatorio Rubin sobre la astronomía moderna? El siglo XX fue testigo de un mayor impulso a la colaboración internacional en la exploración de los cielos. La creciente sofisticación de los observatorios resultantes significa que cada vez más astrónomos trabajan al servicio de la habilitación de la ciencia, en lugar de realizar descubrimientos por sí mismos.

La enorme cantidad de datos generados por la encuesta, y el gran número de personal necesario para analizarlos, no es algo nuevo para Rubin. Otras encuestas contemporáneas como Euclid y la colaboración Ligo-Virgo-Kagra, así como el aún mayor Square Kilometer Array de la próxima década, consisten cada una en miles de colaboradores en todo el mundo que aprovechan enormes cantidades de datos.

Lo que está claro es que la IA dominará el espacio del descubrimiento científico del Observatorio Rubin para hacer frente a estos desafíos del big data. Con más financiación de la industria para desarrollar herramientas de IA para analizar los datos astronómicos, la astronomía se está integrando profundamente en la esfera tecnológica que domina la vida moderna.

Rubin producirá 10 terabytes de datos cada noche, con el objetivo de un tamaño final de la base de datos de 15 petabytes al final de su encuesta de diez años. Dado que se espera que la mayoría de las 10 millones de alertas producidas cada noche sean falsas, se requieren herramientas avanzadas de aprendizaje automático e IA para filtrar todo excepto los candidatos más prometedores para el seguimiento.

Al reducir el tiempo que los astrónomos dedican a revisar estos datos, se puede dedicar más tiempo a realizar nuevas y emocionantes investigaciones astrofísicas.

La propiedad tanto de las herramientas de descubrimiento como del propio descubrimiento ahora se distribuye entre científicos, grandes empresas tecnológicas y los ciudadanos que etiquetan los datos. La pregunta sin resolver es si el cosmos seguirá siendo una frontera pública compartida o se convertirá en un dominio moldeado por las prioridades de Silicon Valley.

Muiris MacCarthaigh es profesor de política y política pública, Queen’s University Belfast y Joshua Weston es candidato a doctor en la Escuela de Matemáticas y Física, Queen’s University Belfast

Este artículo se republica de The Conversation bajo una licencia Creative Commons. Lea el artículo original.

marzo 18, 2026 0 comments
0 FacebookTwitterPinterestLinkedinEmail
Tecnología

Telómeros y envejecimiento: Nueva herramienta predice longitud del ADN en biopsias

by Editor de Tecnologia marzo 17, 2026
written by Editor de Tecnologia

Una nueva herramienta computacional es capaz de inferir cambios que ocurren en los extremos de los cromosomas, donde se aloja nuestro ADN. Lo hace detectando alteraciones estructurales en células y tejidos capturadas en imágenes de biopsias médicas rutinarias, según hallazgos publicados el 16 de marzo de 2026 en Cell Reports Methods.

Científicos del Sanford Burnham Prebys Medical Discovery Institute desarrollaron el modelo TLPath basándose en la hipótesis de que las modificaciones en la forma y estructura de las células y tejidos podrían utilizarse para predecir la longitud de las secciones repetitivas de ADN llamadas telómeros.

«Cada vez que el ADN se replica a medida que nuestras células crecen y se dividen, la parte al final del ADN no puede replicarse», explicó Sanju Sinha, PhD, asistente profesor del Programa de Metabolismo del Cáncer y Microambiente en Sanford Burnham Prebys.

«Esto sería un problema si nuestro ADN se degradara poco a poco desde el nacimiento, pero en cambio nuestras células evolucionaron una solución única: cubrir los extremos del ADN con regiones repetitivas llamadas telómeros que pueden acortarse en lugar de información genética más esencial.»

Sin embargo, los telómeros no son meros amortiguadores genéticos que se pueden descartar libremente. Si bien los científicos aún están determinando exactamente cómo estos protectores del ADN afectan el proceso de envejecimiento, las investigaciones han demostrado que la longitud de los telómeros está correlacionada con la edad cronológica de una persona a lo largo de su vida. Tras el seguimiento de los resultados de salud en grandes poblaciones, se descubrió que la longitud de los telómeros predice el riesgo de los pacientes de desarrollar enfermedades crónicas asociadas al envejecimiento.

«Estábamos razonablemente seguros de que los telómeros juegan un papel importante a medida que las células envejecen, y sabíamos que el campo necesitaba más formas de estudiar este fenómeno para aprender cómo se puede tratar para beneficiar a los pacientes», afirmó Sinha.

El equipo de investigación obtuvo datos del Genotype-Tissue Expression Project, una importante iniciativa del Common Fund de los National Institutes of Health (NIH) que se lanzó en 2010 para crear un recurso para estudiar cómo los cambios heredados en los genes conducen a enfermedades comunes. Sinha y sus colegas pudieron entrenar su modelo computacional con escaneos de 5,263 portaobjetos de histopatología realizados a partir de muestras de biopsia rutinarias de 18 tipos de tejidos donados por 919 individuos.

«El conjunto de datos empareja estas imágenes de alta resolución con pruebas de laboratorio de la longitud de los telómeros, lo que nos permite entrenar a TLPath para encontrar características predictivas en las células y los tejidos», dijo Sinha. «Hay cientos de terabytes de datos de imágenes de este proyecto listos para ser estudiados con herramientas como TLPath, y no podríamos haber terminado nuestro proyecto sin que estos datos estuvieran disponibles para los investigadores.»

El modelo funciona segmentando cada portaobjetos de histopatología en un promedio de 1,387 fragmentos cuadrados. Cada fragmento, conocido como «patch», se examina para encontrar hasta 1,024 características estructurales. Al calcular un peso estadístico para cada característica en cada fragmento, el modelo compara una puntuación general para cada portaobjetos de histopatología con la longitud de los telómeros emparejada para aprender a predecir esta última a partir de la primera.

Después de entrenar a TLPath por separado en cada tipo de tejido, los científicos descubrieron que era capaz de predecir la longitud de los telómeros en muestras del Genotype-Tissue Expression Project que no habían sido incluidas en el conjunto de datos de entrenamiento.

«La clave de nuestro trabajo fue basarnos en los recientes avances en la visión artificial para portaobjetos de histopatología, que es la creación de modelos fundamentales», dijo Sinha. «Estos modelos no analizan píxeles discretos, sino que definen características de orden superior, algunas de las cuales pueden ser interpretadas por humanos, pero que pueden validarse por su poder predictivo.»

En las pruebas, TLPath tuvo más éxito en la predicción precisa de la longitud de los telómeros que basar la predicción únicamente en la edad de los pacientes cuando donaron sus muestras. Los científicos evaluaron aún más las capacidades de predicción del modelo demostrando que podía identificar diferencias en la longitud de los telómeros entre individuos de la misma edad cronológica.

«Esto abre nuevas oportunidades basadas en el avance conceptual de que los cambios estructurales medibles en las células pueden predecir la longitud de los telómeros», dijo Sinha. «Medir directamente la longitud de los telómeros requiere pruebas más complicadas y costosas que son difíciles de escalar.

«El único límite para el uso de un enfoque como TLPath es la disponibilidad de portaobjetos de histopatología escaneados.»

Si bien estos portaobjetos se crean comúnmente a partir de biopsias para que los patólogos los revisen en el curso de la atención clínica, rara vez se digitalizan y se ponen a disposición de los investigadores de manera similar al Genotype-Tissue Expression Project financiado por el NIH.

«Ya sean portaobjetos nuevos que se estén desarrollando hoy o aquellos que se conservan en biobancos, todo lo que necesitamos es que se escaneen, almacenen y compartan adecuadamente para permitir estudios a gran escala», dijo Sinha.

«Esto tiene el potencial de transformar nuestra capacidad para estudiar la biología de los telómeros, aprender más sobre el envejecimiento humano y, en última instancia, ayudar a las personas a preservar una mejor salud a medida que envejecen.»

Fuente:

Referencia del diario:

DOI: 10.1016/j.crmeth.2026.101336

marzo 17, 2026 0 comments
0 FacebookTwitterPinterestLinkedinEmail
Salud

IA Detecta Violencia de Género: Predicción Temprana con Inteligencia Artificial

by Editora de Salud marzo 13, 2026
written by Editora de Salud

La violencia en el ámbito de la pareja (VAP) es una forma de abuso que ocurre en relaciones sentimentales, ya sea entre cónyuges actuales o anteriores, o entre parejas. No discrimina por lugar de residencia ni nivel socioeconómico; la VAP trasciende todas las barreras. Debido a que a menudo permanece oculta, se ha convertido en uno de los mayores problemas de salud pública de nuestro tiempo, afectando silenciosamente a millones de personas en todo el mundo.

La VAP no solo causa daños inmediatos, sino que también deja cicatrices duraderas en la salud. Las sobrevivientes a menudo sufren heridas invisibles, dolor crónico, infecciones, problemas menopáusicos y dificultades de salud mental como depresión, ansiedad, trastorno de estrés postraumático o incluso autolesiones.

La identificación temprana de la VAP es fundamental para evitar que estos problemas empeoren. Sin embargo, muchas víctimas permanecen en silencio, retenidas por el miedo a su seguridad o por la dependencia económica de su pareja, lo que dificulta la obtención de ayuda oportuna.

Imaginen si los médicos pudieran reconocer las primeras señales de violencia en el ámbito de la pareja años antes de que una paciente se sienta preparada para hablar. Ese es el objetivo de nuevas herramientas de inteligencia artificial desarrolladas por investigadores de Mass General Brigham. Esta tecnología está diseñada para analizar los registros médicos e identificar riesgos mucho antes de que se hagan evidentes.

En un estudio publicado en npj Women’s Health, investigadores de Mass General Brigham demostraron que los modelos de aprendizaje automático entrenados con registros médicos electrónicos (RME) podían detectar el riesgo de VAP hasta cuatro años antes de que las personas buscaran atención en un centro de tratamiento de violencia doméstica. Desarrollaron estas nuevas herramientas de IA utilizando un conjunto de datos de pacientes femeninas que buscaron ayuda en un centro de intervención y prevención de abusos domésticos de un importante hospital en los Estados Unidos.

Este avance sugiere un futuro en el que los clínicos podrían iniciar conversaciones sensibles antes, previniendo potencialmente años de sufrimiento oculto.

La Dra. Bharti Khurana, autora principal y directora fundadora del Trauma Imaging Research and Innovation Center, explicó: “Nuestra investigación ofrece una prueba de concepto de que la IA puede ayudar a los clínicos a identificar posibles casos de abuso de manera más temprana. La identificación temprana de la violencia en el ámbito de la pareja y el riesgo futuro puede permitir a los clínicos intervenir antes y ayudar a prevenir importantes consecuencias para la salud física y mental.”

Un estudio previo encontró que las pacientes son más propensas a compartir sus experiencias cuando se les pregunta en privado por un proveedor de confianza.

En colaboración con Dimitris Bertsimas del MIT, los investigadores entrenaron tres modelos diferentes de IA utilizando registros médicos. Estudiaron datos de 673 mujeres que habían visitado un centro de prevención de la violencia doméstica y los compararon con más de 4,000 pacientes similares que no habían denunciado abusos.

La violencia doméstica es ampliamente aceptada en la mayoría de los países en desarrollo, según un estudio.

Un modelo examinó información estructurada, incluidos diagnósticos, medicamentos y datos del vecindario. Otro analizó las notas de los médicos, los informes de radiología y las visitas a urgencias. El tercero, llamado Holistic AI in Medicine (HAIM), combinó ambos enfoques, proporcionando la imagen más completa.

Cuando los investigadores probaron la IA en nuevos pacientes, los resultados fueron sorprendentes. Los tres modelos mostraron un buen rendimiento con nuevos datos, pero el modelo de fusión HAIM fue el más impresionante. Identificó correctamente el riesgo en el 88% de los casos.

Más notable aún, cuando el sistema examinó registros médicos antiguos y con fecha de hora, pudo identificar señales de advertencia años por adelantado. En promedio, el modelo de fusión predijo la VAP más de 3.7 años antes de que las pacientes buscaran ayuda.

La IA encontró pistas más allá de las lesiones. Las personas con visitas frecuentes a urgencias, dolor crónico o problemas de salud mental eran más propensas a sufrir abusos. Aquellas que se mantenían al día con la atención preventiva, como mamografías o vacunas, eran menos propensas.

Sin embargo, los investigadores señalan que los modelos se entrenaron con pacientes que ya habían denunciado abusos, por lo que los resultados podrían no ser tan precisos para aquellos que nunca buscan ayuda. Para que las predicciones sean aún más sólidas, los investigadores dicen que se necesitarán conjuntos de datos más grandes y diversos.

Estos modelos de IA podrían cambiar la forma en que los médicos identifican y apoyan a los pacientes en riesgo de violencia en el ámbito de la pareja. Con una atención informada sobre el trauma y oportuna, los médicos podrían prevenir que el abuso se agrave y cause lesiones graves, problemas de salud a largo plazo o incluso muertes relacionadas con la VAP.

Referencia del diario:

  1. Gu, J., Carballo, K.V., Ma, Y. Et al. Leveraging multimodal machine learning for accurate risk identification of intimate partner violence. Npj Women’s Health 4, 15 (2026). DOI: 10.1038/s44294-025-00126-3
marzo 13, 2026 0 comments
0 FacebookTwitterPinterestLinkedinEmail
Salud

Alzheimer: IA detecta cambios en proteínas sanguíneas para diagnóstico precoz

by Editora de Salud marzo 13, 2026
written by Editora de Salud

Científicos combinan proteómica avanzada e inteligencia artificial para revelar cambios estructurales en proteínas sanguíneas que podrían ayudar a distinguir la enfermedad de Alzheimer temprana del deterioro cognitivo leve.

Estudio: Structural signature of plasma proteins classifies the status of Alzheimer’s disease. Crédito de la imagen: Beyond This/Shutterstock.com

Un estudio reciente publicado en Nature Aging combinó proteómica estructural basada en espectrometría de masas con aprendizaje automático para establecer una estrategia de investigación mínimamente invasiva, confiable y potencialmente escalable para la detección temprana y la clasificación de la enfermedad de Alzheimer (EA) y afecciones cognitivas relacionadas.

Alteración de la homeostasis proteica y biomarcadores estructurales en la enfermedad de Alzheimer

La proteostasis, o homeostasis proteica, se refiere a los procesos celulares que mantienen el correcto plegamiento, estabilidad y degradación de las proteínas. Estos mecanismos son cruciales, ya que una proporción sustancial de las proteínas recién sintetizadas pueden plegarse incorrectamente, interrumpiendo la función celular normal si no son gestionadas por los sistemas de control de calidad celular.

En la EA, la maquinaria responsable de la proteostasis se vuelve menos efectiva, lo que permite la acumulación de proteínas mal plegadas y componentes celulares dañados con el tiempo. Esta alteración de la eliminación favorece la acumulación temprana de agregados de beta-amiloide, cúmulos anormales de proteínas que pueden formarse en el cerebro años antes de que aparezcan los primeros signos de los síntomas de Alzheimer. Una comprensión integral de los cambios conformacionales e interacciones de las proteínas, más allá del enfoque tradicional en las placas amiloides y los ovillos neurofibrilares, podría revelar mecanismos de la enfermedad y biomarcadores estructurales basados en el plasma.

La apolipoproteína E (APOE) es una proteína plasmática polimórfica con tres isoformas principales (ε2, ε3, ε4) que difieren en uno o dos aminoácidos, lo que lleva a propiedades de unión alteradas. El alelo ε4 está fuertemente asociado con un mayor riesgo de EA, mientras que ε2 confiere protección. A pesar de la extensa caracterización de los perfiles de expresión del genotipo APOE y los efectos de la red, el impacto de las variantes de APOE en la estructura de las proteínas que interactúan con ApoE permanece poco explorado.

Los síntomas neuropsiquiátricos (SNP) son frecuentes en la EA, con diferencias de sexo en la progresión y la sintomatología. Las mujeres tienden a experimentar un declive cognitivo más rápido y tasas más altas de delirio, mientras que los hombres exhiben mayor apatía y agitación. A pesar de los crecientes esfuerzos para definir los correlatos moleculares de los SNP, la relación entre el sexo y los SNP sigue siendo poco clara debido a la heterogeneidad clínica en la EA.

Evaluación de las alteraciones estructurales de las proteínas en la enfermedad de Alzheimer

Se recolectaron muestras de sangre de participantes en la Universidad de California, San Diego (UCSD) y los Centros de Investigación de la Enfermedad de Alzheimer de la Universidad del Sur de California. La patología de Alzheimer en la cohorte de UCSD se basó en mediciones de beta-amiloide y tau en el líquido cefalorraquídeo (LCR), mientras que el estado clínico en las cohortes se evaluó utilizando criterios de diagnóstico establecidos. Los participantes fueron evaluados semestralmente para la función cognitiva y categorizados utilizando criterios estándar, incluido el Clinical Dementia Rating (CDR) y las pruebas neuropsicológicas.

Las muestras de péptidos se analizaron mediante cromatografía líquida-espectrometría de masas en tándem (LC-MS/MS) acoplada a un espectrómetro de masas timsTOF Pro. Se utilizó un marco de aprendizaje automático para clasificar los datos de espectrometría de masas, con una red neuronal profunda seleccionada después de la evaluación comparativa con 17 algoritmos adicionales de aprendizaje automático.

Identificación de biomarcadores estructurales sanguíneos para la detección temprana de la EA

Se obtuvieron un total de 520 muestras de sangre de dos grandes cohortes. Al combinar los hallazgos de la evaluación sanguínea con datos clínicos y de biomarcadores detallados, incluidas pruebas cognitivas y mediciones del líquido cefalorraquídeo (LCR), cuando estuvieron disponibles, los investigadores clasificaron el estado y la progresión de la enfermedad de Alzheimer (EA).

Cabe destacar que ambas cohortes estaban bien emparejadas por edad y se realizó la genotipificación de APOE. Como se esperaba, las puntuaciones cognitivas, como el MMSE (Mini-Mental State Examination) y el CDR-SUM (Clinical Dementia Rating Sum of Boxes), se correlacionaron de manera confiable con el aumento de la gravedad de la enfermedad, anclando el estudio en métricas clínicas establecidas.

Se realizó un perfilado covalente de proteínas (CPP) para medir la accesibilidad de los residuos de lisina en las proteínas sanguíneas, lo que sirve como un indicador del estado conformacional de la proteína. Esta técnica detectó cambios estructurales sutiles en las proteínas, un enfoque novedoso, ya que la mayoría de los estudios se centran solo en la cantidad de proteínas. Los autores se centraron en proteínas abundantes para una posible traducción clínica.

Curiosamente, el estudio actual observó que las alteraciones en la estructura de la proteína, en lugar de la abundancia, se correlacionaron más fuertemente con la EA. A medida que la enfermedad progresaba, las proteínas mostraban menos lisinas accesibles y mayor variabilidad, lo que indica que la pérdida de la homeostasis proteica puede representar una característica molecular importante de la enfermedad de Alzheimer. Los cambios estructurales de las proteínas no siempre fueron lineales, y algunos aparecieron temprano en la enfermedad y otros más tarde. Esta no linealidad sugiere que los cambios de conformación de las proteínas podrían servir como indicadores sensibles, que potencialmente detectan la enfermedad antes que los marcadores tradicionales.

APOE ε4 se asoció con una menor accesibilidad de proteínas en varias proteínas, notablemente C1QA y SERPINA3. El modelado computacional sugirió que estos cambios podrían reflejar interacciones proteína-proteína alteradas, ofreciendo información sobre cómo la genética podría dar forma a la estructura de las proteínas en la EA. El modelado computacional proporcionó soporte estructural para estas asociaciones observadas experimentalmente, sugiriendo que el genotipo APOE puede influir en los cambios estructurales en las proteínas circulantes y, por lo tanto, arrojar luz sobre los fundamentos moleculares del riesgo de EA.

El estudio actual también encontró que la disminución de la accesibilidad de las proteínas se correlacionó con la gravedad de los SNP, y varias proteínas mostraron asociaciones específicas de sexo, muchas vinculadas a la amiloidosis y las vías establecidas de la EA. Las puntuaciones de los SNP fueron más poderosas en el diagnóstico en las mujeres, y las proteínas, como CLUS e ITIH2, exhibieron cambios estructurales específicos de sexo notables que reflejaron la etapa de la enfermedad y la carga de los síntomas. Este hallazgo sugiere que los patrones de biomarcadores informados por el sexo podrían mejorar potencialmente la precisión del diagnóstico, aunque se necesita una mayor investigación.

Un panel de diagnóstico para el diagnóstico de la EA

Los autores desarrollaron un panel de múltiples marcadores que comprende C1QA, CLUS y ApoB, utilizando aprendizaje automático. Su modelo de aprendizaje profundo logró aproximadamente un 83 % de precisión en la distinción entre casos de salud, MCI y EA, superando significativamente a los modelos basados únicamente en la abundancia de proteínas.

La mayoría de las clasificaciones erróneas se limitaron a etapas de enfermedad adyacentes, lo que demuestra la discriminación matizada del panel. La solidez del panel se demostró además, con una precisión constante incluso con la imputación de datos entre diferentes cohortes. Los autores también informaron que la edad no confundió significativamente el rendimiento del panel de múltiples marcadores, lo que respalda la confiabilidad y la potencial generalización de los hallazgos.

Los marcadores estructurales demostraron fuertes correlaciones con las puntuaciones cognitivas y asociaciones moderadas con las medidas de imagen cerebral, incluidos los índices derivados de la resonancia magnética asociados con la patología de Alzheimer y los biomarcadores del LCR, lo que confirmó su relevancia clínica y patológica. Cabe destacar que estas medidas basadas en sangre ofrecen una alternativa menos invasiva a los diagnósticos existentes.

En el análisis longitudinal, el panel de marcadores rastreó la progresión de la enfermedad con aproximadamente un 86 % de precisión dentro de la ventana de seguimiento relativamente corta del estudio y mostró cambios que correspondieron a los cambios en el estado de diagnóstico, lo que destaca su promesa para monitorear los cambios fisiológicos en curso en la EA.

Conclusiones

El estudio actual demuestra que un panel sanguíneo que evalúa los cambios estructurales en las proteínas C1QA, CLUS y ApoB proporciona un enfoque experimental de biomarcadores prometedor para diagnosticar y rastrear la EA. Al priorizar la conformación de la proteína en lugar de la abundancia, el enfoque allana el camino para diagnósticos menos invasivos que podrían respaldar estrategias de detección temprana si se validan en estudios más amplios, prospectivos y a largo plazo.

Download your PDF copy by clicking here.

Journal reference:

  • Son, A., Kim, H., Diedrich, J. K., Bamberger, C., Wilkins, H. M., Burns, J. M., Morris, J. K., Rissman, R. A., Swerdlow, R. H., & Yates, J. R. (2026). Structural signature of plasma proteins classifies the status of Alzheimer’s disease. Nature Aging. 1-15. DOI: https://doi.org/10.1038/s43587-026-01078-2. https://www.nature.com/articles/s43587-026-01078-2

marzo 13, 2026 0 comments
0 FacebookTwitterPinterestLinkedinEmail
Salud

Envejecimiento cerebral: Factores individuales y resiliencia cognitiva.

by Editora de Salud marzo 9, 2026
written by Editora de Salud

La edad es más que un simple número. Mientras que los neurocientíficos solían considerar el envejecimiento cognitivo como una única tendencia, ahora se dan cuenta de que las vastas diferencias individuales requieren un enfoque más predictivo y personalizado. A medida que descubren más factores que afectan la cognición con el tiempo, se están dando cuenta de que modelar el cerebro envejecido requiere datos más diversos de los que se capturaban tradicionalmente.

«Necesitamos reconocer que la forma en que las personas envejecen es un proceso tan biológico como social», afirma Randy McIntosh de la Universidad Simon Fraser, quien preside un simposio en la reunión anual de la Sociedad de Neurociencia Cognitiva (CNS) sobre la resiliencia cerebral.

«Esto significa que no existe una sola molécula o proteína que sea un biomarcador del envejecimiento cerebral saludable; habrá una combinación de varios factores. Y capturar la intersección entre lo que sucede en nuestros cerebros y lo que sucede en nuestro entorno y en nuestra cultura es difícil, pero también es una oportunidad emocionante, especialmente en esta era de aprendizaje automático», explica.

De hecho, como se presentará hoy en la conferencia de la CNS en Vancouver, Columbia Británica, los investigadores ahora están buscando más allá del escáner de resonancia magnética funcional (fMRI) para incorporar una amplia gama de datos en sus estudios de la cognición a lo largo de la vida, desde el sueño y la salud vascular hasta la religiosidad y el estilo de vida.

Al mismo tiempo, también están ampliando el grupo de personas que estudian, moviéndose hacia muestras más representativas de la población, así como las condiciones en las que prueban la salud cerebral, pasando de tareas de laboratorio estrictamente controladas a entornos más naturalistas, como ver películas. Nuevos datos muestran cómo, por ejemplo, incluso niveles bajos de depresión pueden influir en el deterioro cognitivo.

En conjunto, estos esfuerzos están creando una imagen más amplia del cerebro envejecido, una que no solo puede ayudar a informar el diagnóstico y el tratamiento de trastornos clínicos como la depresión, la demencia y la enfermedad de Alzheimer, sino que también puede ayudar a las personas sanas a optimizar mejor su cognición.

Descubriendo el papel de la depresión

La neurocientífica cognitiva Audrey Duarte ha visto un cambio tremendo en el envejecimiento cognitivo en las últimas décadas.

“Antiguamente, veíamos la edad como joven versus viejo, pero cuando analizábamos nuestros datos, dos personas de 70 años podían ser increíblemente diferentes en cómo se desempeñaban en las evaluaciones cognitivas, su salud general, enfermedades relacionadas con la edad, y así sucesivamente. Y nuestros modelos de envejecimiento cognitivo simplemente no incorporaban factores de diferencia individual»,

Audrey Duarte, Neurocientífica Cognitiva, Sociedad de Neurociencia Cognitiva

Para Duarte y su equipo de la Universidad de Texas en Austin, este cambio ha significado mirar más allá de los factores genéticos que contribuyen al envejecimiento para comprender algunos de los factores más «maleables», cosas que las personas pueden cambiar o hacer a cualquier edad para ayudar a conferir resiliencia cerebral con el tiempo. Es importante destacar que su equipo también quiere ampliar de quién están recopilando datos, con un gran estudio multisitio de unos 330 participantes, de entre 18 y 75 años, de diversos orígenes raciales y étnicos.

En su segundo año de este proyecto de cinco años, el equipo de Duarte ya está descubriendo nuevas perspectivas sobre el cerebro envejecido. Como presentarán en la CNS, nuevos hallazgos no publicados muestran que incluso niveles mínimos de depresión pueden provocar una disfunción ejecutiva que subyace a las deficiencias de memoria a medida que las personas envejecen. Están descubriendo que este efecto puede exacerbarse en afroamericanos y mexicoamericanos, quienes, según las pruebas, experimentan niveles más altos de depresión y prevalencia de la enfermedad de Alzheimer que los blancos no hispanos.

En un trabajo de la investigadora postdoctoral de Duarte, Sarah Henderson, que también se presentará en la CNS, también han estado investigando los mecanismos por los cuales se producen los déficits de memoria relacionados con la depresión. Vinculando los síntomas de depresión reportados en su cohorte de investigación a una serie de tareas de memoria que los participantes realizaron mientras estaban en un escáner de fMRI, los investigadores encontraron que una capacidad deteriorada para combatir la interferencia de información competitiva contribuye al deterioro de la memoria relacionado con la depresión.

Otros hallazgos del trabajo de Duarte han descubierto factores sociales, como la religiosidad, que parecen conferir resiliencia cognitiva en el envejecimiento, y han descubierto información de factores de estilo de vida como el sueño. Establecer estas conexiones ha requerido un esfuerzo sostenido en las comunidades locales para generar confianza con grupos que han estado subrepresentados en la investigación en neurociencia. «Al escuchar a las personas hablar sobre sus experiencias con el envejecimiento y las experiencias de sus padres, hemos aprendido mucho sobre los factores de apoyo social y otros factores de apoyo emocional, así como sobre los factores de estilo de vida que contribuyen a cómo envejecen las personas», dice Duarte.

El objetivo general es vincular estos nuevos datos con las demandas de función ejecutiva en el cerebro, para que los investigadores puedan comprender cómo el envejecimiento a lo largo de la vida difiere según los diferentes orígenes raciales, étnicos o sociales. «¿Existen factores que puedan conferir más resiliencia o exacerbar las deficiencias de memoria relacionadas con la depresión, por ejemplo?», se pregunta Duarte.

Responder a estas preguntas puede conducir a un enfoque personalizado para mejorar el envejecimiento cognitivo. Por ejemplo, en los participantes cuyos escáneres cerebrales mostraron una alta carga vascular de materia blanca, la actividad física podría ser un tratamiento eficaz para su depresión, ya sea en lugar de o junto con la medicación. «Nuestro objetivo es construir un árbol de decisiones que pueda ayudar a navegar por todas estas diferencias individuales», dijo Duarte.

Descubriendo el poder del entorno natural

El trabajo de Karen Campbell sobre el envejecimiento cognitivo comenzó de manera personal, observando cómo su abuela conservaba su memoria hasta el final, capaz de recordar recuerdos de su infancia en Polonia, su tiempo en el campo de concentración de Auschwitz durante la Segunda Guerra Mundial y, finalmente, mudarse a Canadá para construir una nueva vida. «Eso despertó mi fascinación por el envejecimiento y la memoria y lo que hace que algunas personas sean resistentes a la disminución relacionada con la edad frente al trauma», dice Campbell de la Universidad Brock en Ontario.

Cuando Campbell comenzó a estudiar el envejecimiento durante su investigación de doctorado, rápidamente se dio cuenta de cómo los estudios de memoria difieren de cómo las personas usan la memoria en la vida cotidiana. Si bien las tareas de laboratorio piden a los participantes del estudio que estudien listas de palabras o imágenes y luego las recuerden o las reconozcan intencionalmente, «en el mundo real, las personas a menudo se guían por su conocimiento de una situación determinada y permiten que las cosas les vengan a la mente de forma involuntaria», dice. Esa realización la impulsó a buscar oportunidades para estudiar la memoria y la percepción en entornos más naturalistas, como mientras las personas ven películas o leen historias.

Como presentará hoy en la conferencia de la CNS, los hallazgos del equipo de Campbell han revelado que los cerebros de adultos jóvenes y mayores no difieren tanto como se informó anteriormente cuando se encuentran en condiciones naturales. Basándose en trabajos anteriores que muestran que las tareas de laboratorio artificiales pueden inducir un tipo diferente de actividad cerebral que el procesamiento natural del lenguaje, su trabajo reciente muestra que los participantes de estudio más jóvenes y mayores que vieron una película percibieron y recordaron de manera similar. Los participantes vieron la película de forma natural, sin ninguna tarea, y luego respondieron preguntas sobre la película, incluida la identificación de los cambios en la historia. «Los hallazgos sugieren que un mecanismo neural similar subyace a una mejor memoria en ambos grupos», dice Campbell.

En general, la investigación de Campbell encuentra que «el envejecimiento no es del todo malo», dice. «La mayoría de las personas mayores funcionan bien en la vida cotidiana, especialmente cuando pueden aprovechar el conocimiento existente y su experiencia acumulada», explica Campbell. «Todavía necesitamos descubrir qué lleva a algunas personas hacia un envejecimiento patológico, pero tenemos algunas pistas: ejercicio, use audífonos si los necesita y trate de mantener las conexiones sociales».

Ahora, el equipo de Campbell está trabajando en una intervención para ayudar con la memoria para la vida cotidiana: los participantes ven una película y la pausan en puntos específicos para pedirles que propongan palabras clave que describan el evento que acababan de ver. «Por ejemplo, estamos usando Sherlock de la BBC, por lo que al final de una escena, los participantes podrían decir: ‘Sherlock, morgue, látigo'», dice. «Creemos que generar estas palabras clave obliga a las personas a reflexionar sobre lo que acaba de suceder y a ensayar las partes importantes». Este tipo de práctica de recuperación ha impulsado la memoria en paradigmas de aprendizaje de listas más estándar, por ejemplo, pero no se ha aplicado ampliamente en escenarios más naturalistas, dice Campbell. Sus resultados preliminares sugieren que esta intervención puede mejorar la memoria y ayudar a que los eventos individuales sean más distintos entre sí.

«Lo que está surgiendo es una visión del envejecimiento cerebral que es fundamentalmente sobre la posibilidad», dice McIntosh, quien está trabajando para crear modelos generativos basados en los diversos conjuntos de datos nuevos y emergentes. «Al modelar cómo la biología, la experiencia y el entorno interactúan con el tiempo, estamos pasando de los promedios a una ciencia que respeta las vidas individuales y abre nuevos caminos para la resiliencia a lo largo de la vida».

Fuentes:

Cognitive Neuroscience Society

 

marzo 9, 2026 0 comments
0 FacebookTwitterPinterestLinkedinEmail
Tecnología

ChatGPT Salud: Riesgos en Urgencias y Crisis Suicidas

by Editor de Tecnologia febrero 24, 2026
written by Editor de Tecnologia

ChatGPT Health, una herramienta de inteligencia artificial (IA) de uso común que ofrece orientación médica directamente al público –incluyendo consejos sobre la urgencia con la que se debe buscar atención médica– podría no dirigir adecuadamente a los usuarios a recibir atención de emergencia en un número significativo de casos graves, según investigadores de la Icahn School of Medicine at Mount Sinai.

El estudio, publicado de forma acelerada en la edición en línea del 23 de febrero de 2026 de Nature Medicine [https://doi.org/10.1038/s41591-026-04297-7], es la primera evaluación de seguridad independiente de la herramienta basada en un modelo de lenguaje grande (LLM) desde su lanzamiento en enero de 2026. También identificó serias preocupaciones con las salvaguardias de la herramienta en casos de crisis y suicidio.

«Los LLM se han convertido en la primera parada de los pacientes para obtener consejos médicos, pero en 2026 son menos seguros en los extremos clínicos, donde el juicio separa las emergencias perdidas de la alarma innecesaria», afirma Isaac S. Kohane, MD, PhD, Presidente del Departamento de Informática Biomédica de la Harvard Medical School, quien no participó en la investigación. «Cuando millones de personas utilizan un sistema de IA para decidir si necesitan atención de emergencia, lo que está en juego es extraordinariamente alto. La evaluación independiente debe ser rutinaria, no opcional.»

En las semanas posteriores a su lanzamiento, OpenAI, el creador de ChatGPT Health, informó que alrededor de 40 millones de personas estaban utilizando la herramienta diariamente para buscar información y orientación sobre salud, incluyendo consejos sobre si buscar atención urgente o de emergencia. Al mismo tiempo, según los investigadores, había poca evidencia independiente sobre cuán segura o confiable era su asesoría.

Esta brecha motivó nuestro estudio. Queríamos responder a una pregunta muy básica pero crítica: si alguien está experimentando una emergencia médica real y recurre a ChatGPT Health en busca de ayuda, ¿le indicará claramente que vaya a la sala de emergencias?

Ashwin Ramaswamy, MD, autor principal, Instructor de Urología, Icahn School of Medicine, Mount Sinai

Con respecto a las alertas de riesgo de suicidio, ChatGPT Health fue diseñado para dirigir a los usuarios a la Línea de Ayuda para la Prevención del Suicidio y Crisis 988 en situaciones de alto riesgo. Sin embargo, los investigadores encontraron que estas alertas aparecían de manera inconsistente, a veces activándose en escenarios de menor riesgo, mientras que, alarmantemente, no aparecían cuando los usuarios describían planes específicos de autolesión.

«Este fue un hallazgo particularmente sorprendente y preocupante», dice Girish N. Nadkarni, MD, MPH, Barbara T. Murphy Chair del Windreich Department of Artificial Intelligence and Human Health, Director del Hasso Plattner Institute for Digital Health, y Profesor Irene y Dr. Arthur M. Fishberg de Medicina en la Icahn School of Medicine at Mount Sinai, y Director de Inteligencia Artificial de Mount Sinai Health System. «Si bien esperábamos cierta variabilidad, lo que observamos fue más allá de la inconsistencia. Las alertas del sistema se invirtieron en relación con el riesgo clínico, apareciendo de manera más confiable para escenarios de menor riesgo que en los casos en que alguien compartía cómo tenía la intención de hacerse daño. En la vida real, cuando alguien habla sobre exactamente cómo se haría daño, eso es una señal de peligro más inmediato y grave, no menos.»

Como parte de la evaluación, el equipo de investigación creó 60 escenarios clínicos estructurados que abarcan 21 especialidades médicas. Los casos variaron desde afecciones menores apropiadas para el cuidado en el hogar hasta emergencias reales. Tres médicos independientes determinaron el nivel correcto de urgencia para cada escenario utilizando las pautas de 56 sociedades médicas.

Cada escenario se probó bajo 16 condiciones contextuales diferentes, incluyendo variaciones en la raza, el género, las dinámicas sociales (como alguien que minimiza los síntomas) y las barreras para la atención médica, como la falta de seguro o transporte. En total, el equipo realizó 960 interacciones con ChatGPT Health y comparó sus recomendaciones con el consenso de los médicos.

Al probar los 60 escenarios de pacientes realistas desarrollados por los médicos, los investigadores encontraron que, si bien la herramienta generalmente manejó correctamente las emergencias claras, subestimó la gravedad de más de la mitad de los casos que los médicos determinaron que requerían atención de emergencia.

Los investigadores también se sorprendieron por cómo el sistema falló en los casos de emergencia médica. La herramienta a menudo demostró que reconocía hallazgos peligrosos en sus propias explicaciones, pero aún así tranquilizaba al paciente.

«ChatGPT Health funcionó bien en emergencias clásicas como un derrame cerebral o una reacción alérgica grave», dice el Dr. Ramaswamy. «Pero tuvo dificultades en situaciones más matizadas donde el peligro no es inmediatamente obvio, y esos son a menudo los casos donde el juicio clínico es más importante. En un escenario de asma, por ejemplo, el sistema identificó las primeras señales de insuficiencia respiratoria en su explicación, pero aún así aconsejó esperar en lugar de buscar atención de emergencia.»

Los autores del estudio aconsejan que, ante el empeoramiento o la aparición de síntomas preocupantes, como dolor en el pecho, dificultad para respirar, reacciones alérgicas graves o cambios en el estado mental, las personas deben buscar atención médica directamente en lugar de depender únicamente de la orientación de un chatbot. En los casos que involucren pensamientos de autolesión, las personas deben comunicarse con la Línea de Ayuda para la Prevención del Suicidio y Crisis 988 o acudir a un departamento de emergencias.

A pesar de ello, los investigadores enfatizan que los hallazgos no sugieren que los consumidores deban abandonar por completo las herramientas de salud basadas en IA.

«Como estudiante de medicina que se forma en una época en que las herramientas de salud basadas en IA ya están en manos de millones de personas, las veo como tecnologías que debemos aprender a integrar cuidadosamente en la atención en lugar de sustitutos del juicio clínico», dice Alvira Tyagi, estudiante de primer año de medicina en la Icahn School of Medicine at Mount Sinai y segundo autor del estudio. «Estos sistemas están cambiando rápidamente, por lo que parte de nuestra formación ahora debe considerar aprender a comprender sus resultados de manera crítica, identificar dónde fallan y utilizarlos de manera que protejan a los pacientes.»

El estudio evaluó el sistema en un momento específico. Debido a que los modelos de IA se actualizan con frecuencia, el rendimiento puede cambiar con el tiempo, lo que subraya la necesidad de una evaluación independiente, dicen los investigadores.

«Comenzar la formación médica junto con herramientas que evolucionan en tiempo real deja claro que los resultados de hoy no están escritos en piedra», dice la Sra. Tyagi. «Esa realidad exige una revisión continua para garantizar que las mejoras en la tecnología se traduzcan en una atención más segura.»

El equipo planea continuar evaluando las versiones actualizadas de ChatGPT Health y otras herramientas de IA orientadas al consumidor, ampliando futuras investigaciones a áreas como la atención pediátrica, la seguridad de los medicamentos y el uso de idiomas que no sean el inglés.

El artículo se titula «ChatGPT Health performance in a structured test of triage recommendations».

Los autores del estudio, según figura en la revista, son Ashwin Ramaswamy, MD, MPP; Alvira Tyagi, BA; Hannah Hugo, MD; Joy Jiang, PhD; Pushkala Jayaraman, PhD; Mateen Jangda, MSc; Alexis E. Te, MD; Steven A. Kaplan, MD; Joshua Lampert, MD; Robert Freeman, MSN, MS; Nicholas Gavin, MD, MBA; Ashutosh K. Tewari, MBBS, MCh; Ankit Sakhuja, MBBS MS; Bilal Naved, PhD; Alexander W. Charney, MD, PhD; Mahmud Omar, MD; Michael A. Gorin, MD; Eyal Klang, MD; Girish N. Nadkarni, MD, MPH.

Fuente:

Mount Sinai Health System

Referencia del diario:

Ramaswamy, A., et al. (2026). ChatGPT Health performance in a structured test of triage recommendations. Nature Medicine. DOI: 10.1038/s41591-026-04297-7. https://www.nature.com/articles/s41591-026-04297-7

febrero 24, 2026 0 comments
0 FacebookTwitterPinterestLinkedinEmail
Salud

Resistencia a la insulina y cáncer: IA predice el riesgo

by Editora de Salud febrero 19, 2026
written by Editora de Salud

Un modelo de aprendizaje automático que predice la resistencia a la insulina sugiere una relación con el cáncer.

La resistencia a la insulina –cuando el cuerpo no responde adecuadamente a la insulina, una hormona que ayuda a controlar los niveles de glucosa en sangre– es una de las causas fundamentales de la diabetes. Además de la diabetes, se sabe ampliamente que la resistencia a la insulina puede conducir a enfermedades cardiovasculares, renales y hepáticas. Si bien la resistencia a la insulina está estrechamente asociada con la obesidad, ha sido difícil evaluar la resistencia a la insulina en la clínica. Por primera vez, investigadores, incluyendo a los de la Universidad de Tokio (Japón), aplicaron un modelo de predicción basado en aprendizaje automático de la resistencia a la insulina a medio millón de participantes del UK Biobank y demostraron que la resistencia a la insulina es un factor de riesgo para 12 tipos de cáncer.

La diabetes es una preocupación común en todo el mundo. Su conexión con la resistencia a la insulina es un concepto familiar para muchos, pero lo que es menos conocido es que la resistencia a la insulina también se sugiere como un factor de riesgo para varios tipos de cáncer. Sin embargo, el cuerpo humano es algo complejo, y determinar conexiones causales entre enfermedades y problemas dentro del cuerpo está lejos de ser fácil. Los investigadores médicos exploran diferentes formas de buscar estas conexiones, y una herramienta cada vez más común en su arsenal es la inteligencia artificial, en particular el aprendizaje automático.

Yuta Hiraike, un investigador del Hospital Universitario de Tokio, y su equipo han utilizado con éxito una herramienta de aprendizaje automático que crearon para demostrar una relación entre la resistencia a la insulina y varios tipos de cáncer.

“Recientemente creamos una herramienta, AI-IR, para predecir la resistencia a la insulina en individuos basándose en nueve piezas diferentes de información médica. Demostró ser exitosa y nos hizo pensar que podríamos aplicar esta herramienta a preocupaciones relacionadas”, comentó Hiraike.

“Si bien se ha sugerido una posible relación entre la resistencia a la insulina y el cáncer, la evidencia a gran escala ha sido limitada debido a la dificultad de evaluar la resistencia a la insulina en la clínica. Pero con AI-IR, hemos proporcionado la primera evidencia a nivel de población de que la resistencia a la insulina es un factor de riesgo para el cáncer. Y dado que los nueve parámetros de entrada para AI-IR se obtienen a través de chequeos médicos estándar, AI-IR podría implementarse fácilmente para identificar a individuos de alto riesgo y permitir un cribado enfocado de diabetes, enfermedades cardiovasculares y cáncer.”


Prueba de sangre BCMA puede rastrear los cambios del cáncer y adaptar a los pacientes al tratamiento adecuado

Una prueba de sangre puede identificar con precisión diferentes tipos de cáncer de mama e identificar cambios a lo largo del tiempo, lo que permite que los pacientes se adapten al tratamiento correcto sin necesidad de una biopsia.


Actualmente, es común que el índice de masa corporal (IMC), una medida de la grasa corporal, prediga la resistencia a la insulina de un individuo y su susceptibilidad relacionada al cáncer. Sin embargo, esto puede generar falsos positivos, donde algunas personas obesas se consideran metabólicamente sanas y no sufren los efectos negativos de la obesidad en la misma medida que otras, y falsos negativos, donde personas con un IMC ideal terminan sufriendo resistencia a la insulina o problemas relacionados que suelen estar asociados con la obesidad.

Parte del desafío que enfrentaron Hiraike y su equipo fue convencer a los revisores del artículo de que AI-IR podía superar estas deficiencias de manera confiable y repetible. Afortunadamente, demostraron no solo su poder predictivo, sino también que su modelo es robusto en diversas condiciones.

“Cuando se comparó con la resistencia a la insulina medida directamente en conjuntos de datos de validación, AI-IR logró un fuerte rendimiento predictivo. Medir directamente la resistencia a la insulina es poco práctico, excepto cuando los pacientes son tratados en clínicas especializadas en diabetes. AI-IR proporciona una alternativa robusta y escalable para evaluar la resistencia a la insulina a nivel de población”, continuó Hiraike.

“Al combinar nueve parámetros clínicos en una sola métrica, AI-IR puede detectar la resistencia a la insulina que el IMC por sí solo no puede explicar. Ahora estamos trabajando para comprender cómo las diferencias genéticas entre individuos influyen en este riesgo y, en última instancia, para vincular datos humanos a gran escala con estudios de biología molecular para desarrollar mejores estrategias para superar la resistencia a la insulina.”

Este artículo ha sido republicado a partir de los siguientes materiales. El material ha sido editado para acortarlo y adaptarlo al estilo de la casa. Para obtener más información, póngase en contacto con la fuente citada. Nuestra política de publicación de comunicados de prensa puede consultarse aquí.

febrero 19, 2026 0 comments
0 FacebookTwitterPinterestLinkedinEmail
Salud

Cáncer de hígado: Nuevo marcador predictivo con IA

by Editora de Salud febrero 18, 2026
written by Editora de Salud

Investigadores liderados por Xian-Yang Qin en el Centro de Ciencias Médicas Integrativas (IMS) de RIKEN en Japón han desarrollado un puntaje que predice el riesgo de cáncer de hígado. El estudio, publicado en la revista científica Proceedings of the National Academy of Sciences, establece que la proteína MYCN impulsa la tumorigénesis hepática, específicamente en el subtipo más agresivo de este cáncer. La investigación caracteriza el microambiente de los genes que permiten la sobreexpresión de MYCN y describe un algoritmo de aprendizaje automático que utiliza estos datos para predecir la probabilidad de que un hígado sin tumores desarrolle cáncer.

El cáncer de hígado, o carcinoma hepatocelular, causa más de 800.000 muertes en todo el mundo cada año. La alta tasa de mortalidad se debe a que a menudo se detecta en etapas avanzadas y a que la tasa de recurrencia oscila entre el 70% y el 80%. Con la esperanza de encontrar un método preciso para predecir qué hígados están en riesgo antes de que se desarrollen tumores, Qin y su equipo han estado estudiando la proteína MYCN.

El gen MYCN se ha identificado como un factor que contribuye al cáncer de hígado que se desarrolla a partir de hígados dañados, pero el mecanismo exacto no estaba claro. Los investigadores plantearon la hipótesis de que, si su sobreexpresión conduce directamente a la tumorigénesis, sería un biomarcador ideal para un estudio más profundo. Para probar su teoría, el equipo utilizó un sistema de transposón basado en la inyección hidroдинаmica en la vena de la cola para insertar MYCN en el genoma del hígado de ratones, logrando así una sobreexpresión de MYCN.

Los resultados mostraron que, al sobreexpresar MYCN junto con AKT (siempre activo), el 72% de los ratones desarrollaron tumores hepáticos en 50 días. Diversas pruebas confirmaron que estos tumores presentaban las características del carcinoma hepatocelular humano. No se desarrollaron tumores al sobreexpresar solo uno de estos genes.

Comprender cómo las señales microambientales tempranas desencadenan la tumorigénesis hepática es crucial para desarrollar estrategias para contrarrestarla. Para caracterizar este microambiente, los investigadores recurrieron a la transcriptómica espacial, una técnica que revela qué genes están activos en un tejido y dónde se produce esa actividad. En un modelo de ratón de cáncer de hígado asociado a disfunción metabólica, utilizaron este método para analizar la expresión génica a lo largo del tiempo y en diferentes ubicaciones a medida que se desarrollaban los tumores, centrándose en las áreas donde MYCN estaba aumentando. Descubrieron un grupo de 167 genes que se expresaban de manera diferente en secciones del hígado sin tumores que presentaban niveles elevados de MYCN. Este grupo lo denominaron el «nicho MYCN».

A partir de los datos de transcriptómica espacial de ratones, los investigadores desarrollaron un modelo de aprendizaje automático capaz de evaluar las características de un patrón de expresión génica y generar un puntaje que indica si corresponde o no a un nicho MYCN. El modelo tiene una precisión del 93%.

El puntaje del nicho MYCN se calculó luego para conjuntos de datos de carcinoma hepatocelular humano. Los pacientes con puntajes más altos mostraron un mayor riesgo de recurrencia del tumor y peores resultados clínicos. Esta relación fue más fuerte cuando el puntaje se derivó de tejido no tumoral que de tejido tumoral. Por lo tanto, este puntaje representa un biomarcador espacial innovador que predice el pronóstico basándose en los microambientes que promueven la formación de tumores.

Hemos desarrollado una estrategia clínicamente aplicable para identificar a pacientes de alto riesgo mediante el análisis de la expresión génica en tejido hepático no tumoral. Al integrar la transcriptómica espacial con el aprendizaje automático, hemos establecido un puntaje de nicho MYCN que predice el riesgo de recurrencia y detecta microambientes precancerosos propensos a la tumorigénesis de novo.

En el futuro, nuestro objetivo es analizar más a fondo los mecanismos biológicos capturados por los puntajes de características espaciales derivados del aprendizaje automático y determinar cómo se establecen y mantienen los entornos permisivos para el cáncer.

Xian-Yang Qin, Centro de Ciencias Médicas Integrativas de RIKEN

Fuente:

Referencia del diario:

DOI: 10.1073/pnas.2521923123

febrero 18, 2026 0 comments
0 FacebookTwitterPinterestLinkedinEmail
Salud

Gota y Trastornos del Sueño: Biomarcadores y Diagnóstico

by Editora de Salud enero 24, 2026
written by Editora de Salud

La gota, una forma común de artritis inflamatoria, a menudo se presenta junto con trastornos del sueño. Esta comorbilidad es particularmente notable en pacientes con función renal deteriorada que requieren purificación de la sangre, aunque los mecanismos subyacentes no se comprendían completamente. Un reciente estudio ha utilizado análisis transcriptómicos y aprendizaje automático para identificar marcadores genéticos compartidos y desarrollar un modelo de diagnóstico para la gota basado en genes relacionados con los trastornos del sueño.

Los investigadores analizaron sistemáticamente conjuntos de datos transcriptómicos disponibles públicamente, incluyendo datos de pacientes con gota y trastornos del sueño, para construir este modelo. Se identificaron y analizaron genes diferencialmente expresados (DEGs) asociados a ambas condiciones. Se realizaron análisis de enriquecimiento funcional e infiltración inmune utilizando paquetes de software R. El análisis de infiltración inmune se llevó a cabo mediante análisis de enriquecimiento del conjunto de genes de muestra única.

El estudio identificó ocho DEGs compartidos y reveló vías clave y funciones moleculares involucradas, incluyendo la actividad quinasa serina/treonina de proteína de unión al ADN, la cardiomiopatía ventricular derecha arritmogénica y la vía de señalización Janus quinasa/transductor de señal y activador de la transcripción. El análisis de infiltración inmune también reveló perfiles distintos de infiltración de células inmunitarias en pacientes con gota y trastornos del sueño en comparación con controles sanos.

Como resultado, se construyó una firma diagnóstica robusta de 8 genes (APBA2, KLF13, FAM117A, IL6R, CCND3, WASF2, PROSC y TAF1). Este estudio establece un nuevo marco molecular que vincula la patogénesis de la gota con la alteración del sueño, proporcionando así posibles biomarcadores para el diagnóstico temprano y el tratamiento de precisión de la gota.

Palabras clave: purificación de la sangre; modelo de diagnóstico; gota; aprendizaje automático; función renal; trastornos del sueño; análisis transcriptómico.

enero 24, 2026 0 comments
0 FacebookTwitterPinterestLinkedinEmail
Newer Posts
Older Posts
  • Aviso Legal
  • Política de Cookies
  • Términos y Condiciones
  • Política de Privacidad
  • CONTACTO
  • Política de Correcciones
  • Equipo Editorial
  • Política Editorial
  • SOBRE NOTIULTI

El servicio de alojamiento web más recomendado. Para quejas, abusos o publicidad, contacte: admin@notiulti.com


Back To Top
Notiulti
  • Deportes
  • Entretenimiento
  • Mundo
  • Negocio
  • Noticias
  • Salud
  • Tecnología