Resumen de ƐpiRisk: Modelo Predictivo de Riesgo de Farmacorresistencia en Epilepsia basado en información clínica y genética
Introducción: La epilepsia es uno de los trastornos neurológicos más prevalentes del mundo. Aproximadamente el 30% de estos pacientes presentarán resistencia a los fármacos anticrisis (FACs). El objetivo del presente estudio es desarrollar un modelo predictivo que permita identificar precozmente a los pacientes con epilepsia que presentan predisposición a desarrollar farmacorresistencia, basándose en factores de riesgo clínicos, pruebas diagnósticas y el análisis de polimorfismos genéticos. Comprender los factores asociados a la epilepsia farmacorresistente (EFR) conducirá a un diagnóstico temprano, a la optimización del tratamiento farmacológico y a un abordaje terapéutico más eficaz que toma en consideración el tratamiento neuroquirúrgico. En consecuencia, reduciría la morbimortalidad del paciente y disminuiría los costes sociosanitarios. Material y Métodos: Se trata de un estudio observacional, prospectivo, de casos y controles, realizado en el Hospital Universitario de La Princesa de Madrid. Se incluyeron 450 sujetos, 230 pacientes con diagnóstico de epilepsia farmacorresistente y 220 en el grupo de control: formado por 100 pacientes con epilepsia farmacocontrolada y 120 sujetos sanos. Los pacientes fueron clasficados según los criterios de la Liga Internacional contra la Epilepsia (ILAE). Se genotiparon 120 polimorfismos de nucleótido único (SNPs) y el modelo de riesgo se obtuvo mediante la utilización de variables clínicas, hallazgos electroencefalográficos y de imagen asociadas a biomarcadores genéticos. Para la construcción del modelo predictivo de riesgo de farmacorresistencia, se utilizó el método de Machine Learning. Resultados: Las características clínicas más significativas asociadas al desarrollo de farmacorresistencia en la epilepsia incluyeron una edad más temprana al momento del diagnóstico (p<0,001), más de dos fármacos ensayados (p<0,01), una mayor frecuencia de las crisis (p<0,001), crisis focales con alteración de la conciencia (p<0,001), epilepsia de tipo focal (p<0,001), antecedentes de estatus epiléptico (p<0,001) y lesiones en la RM craneal tipo esclerosis mesial y/o displasia cortical (p<0,0001). De los 120 SNPs genotipados, se identificaron 10 SNPs significativos asociados con la EFR, en el modelo de herencia codominante. Los SNPs asociados al desarrollo farmacorresistencia en la epilepsia fueron rs1491850, rs17731538, rs2070959, rs2706110, rs2741049, rs4845552, rs5848, rs7124442, rs925946, rs1046276. El modelo obtuvo una precisión del 99.5% de pacientes con epilepsia farmacorresistente y farmacorrespondedora correctamente clasificados, una sensibilidad de 63% y especificidad de 99%. Conclusiones: Utilizando el modelo predictivo εpiRisk basado en Machine Learning aplicado al análisis de las variables clínicas, de pruebas diagnósticas y de polimorfismos genéticos podemos predecir qué pacientes con epilepsia se van a comportar como farmacorresistentes o farmacorrespondedores
