La medicina de precisión involucra el uso de la información genética del individuo, los hábitos de la persona, diversos factores del ambiente donde el individuo se desarrolla, además de la composición de la microbiota; sea para prevenir, diagnosticar ciertas condiciones o enfermedades, establecer marcadores pronóstico y tomar decisiones terapéuticas con el objetivo de lograr su salud y bienestar.

El análisis y la integración de datos genéticos, fenotípicos, medio ambiente y clínicos de un individuo constituye un gran desafío. En este escenario, el uso de herramientas como Machine Learning (ML) o Deep Learning (DL), permite elaborar modelos predictivos y enfocar los datos en el diagnóstico, prevención y tratamiento de las distintas condiciones y patologías.

Entre las enfermedades complejas, el aumento en la incidencia global de obesidad constituye un problema serio de la salud pública ya que contribuye a una incrementada morbi/mortalidad; se trata de una enfermedad crónica que constituye además un factor de riesgo para otras enfermedades no comunicables como diabetes mellitus tipo 2 (T2DM), enfermedad cardiovascular, cáncer, entre otras.

Si bien, la causa principal del sobrepeso es el desbalance entre la ingesta y el gasto de energía, acoplado a susceptibilidad genética, otros factores contribuyen a su desarrollo y progresión, entre ellos, ha sido ampliamente demostrado que la microbiota intestinal participa de manera activa en el metabolismo del huésped; por este motivo, la microbiota ha sido señalada como uno de los factores involucrados en el desarrollo e incremento no solamente de la incidencia de obesidad sino también de las condiciones asociadas (1).

El estudio de la composición y diversidad de la microbiota puede ser en varias situaciones un marcador pronóstico, predictivo de eficacia terapéutica o preventivo, cooperando a retrasar la manifestación de ciertas condiciones o enfermedades, más aún puede constituir un blanco terapéutico. Comprender cómo las especies microbianas, vías metabólicas del microbioma y del huésped y componentes dietarios interactúan es de importancia fundamental para aprovechar el poder de los datos del microbioma (2).

En este contexto, Zeevi, D. y col. (3) del Instituto Weizzman desarrollaron un algoritmo basado en ML que integra la composición de la microbiota, hábitos dietarios, actividad física, datos antropométricos, parámetros bioquímicos, y permite predecir el valor de glucosa postprandial en respuesta a distintos componentes de la dieta, abriendo la posibilidad de disminuir los valores de glucosa postprandial y sus consecuencias metabólicas a largo plazo.

Es importante destacar que ensayos clínicos, utilizando intervenciones dietarias personalizadas basadas en el algoritmo desarrollado (DP), demostraron mejor control glicémico y de valores de hemoglobina glicosilada tanto en pre diabetes y T2DM recientemente diagnosticada comparado a la intervención dietaria con Dieta Mediterránea. Las dos intervenciones redujeron el tiempo medio de glucosa con valores > a 140 mg y los niveles de hemoglobina glicosilada (HbA1c), pero las reducciones fueron significativamente más altas con DP comparadas a las de la dieta mediterránea. A los 6 meses post intervención con DP, se observaron mejoras notables en múltiples parámetros metabólicos como HbA1c, glucosa en ayunas y triglicéridos. El 61 % de los pacientes mostró remisión de diabetes con HbA1c < a 6,5 % y cambios significativos y beneficiosos en la composición de microbiota.

Por otro lado, los ensayos PREDICT (Personalised Responses to Dietary Composition Trial) desarrollados en Reino Unido, en una cohorte de gemelos, determinaron que la composición del microbioma fue predictivo de un gran panel de marcadores de riesgo cardiometabólico incluyendo glucosa en ayunas y postprandial, perfil lipídico e inflamatorios, permitiendo también optimizar recomendaciones dietarias personalizadas (4,5).

Es importante destacar que estos algoritmos funcionan sólo si se incluye en su desarrollo, la composición de la microbiota intestinal, remarcando la importancia de incorporar en la práctica clínica los estudios de composición y diversidad de la microbiota acoplados al uso de inteligencia artificial. Estos estudios de microbiota están disponibles en LACE Laboratorios.