Modelo de razonamiento genera pistas diagnósticas para casos no resueltos de enfermedades raras

Las enfermedades genéticas raras a menudo dejan a las familias sin respuestas definitivas, incluso después de la secuenciación del genoma y la revisión por expertos. A medida que la evidencia científica evoluciona y los datos clínicos siguen fragmentados entre sistemas, muchos casos continúan sin resolverse. Aunque volver a analizar los registros existentes puede revelar variantes omitidas o vínculos con enfermedades pasados por alto, el proceso impone una carga de trabajo considerable a los laboratorios clínicos.

Un nuevo estudio muestra ahora cómo un modelo de razonamiento de inteligencia artificial (IA) puede ayudar a los especialistas a revisar casos pediátricos previamente sin resolver y generar indicios comprobables para una evaluación adicional.

El Centro Manton para la Investigación de Enfermedades Huérfanas del Boston Children’s Hospital, junto con la Universidad de Harvard y OpenAI, utilizó el modelo de razonamiento OpenAI o3 Deep Research para reanalizar datos clínicos y genómicos desidentificados de casos difíciles. El flujo de trabajo solicitó al modelo proponer la explicación molecular más plausible y presentar la evidencia de respaldo en cuanto a fenotipo, herencia, anotaciones de variantes, patrones de calidad de datos y literatura científica. Luego, expertos humanos revisaron los resultados utilizando los criterios ACMG/AMP y procedieron a realizar pruebas adicionales solo cuando estaba justificado.

Cada archivo de caso incluyó términos estandarizados de la Ontología del Fenotipo Humano (HPO), notas clínicas seleccionadas, metadatos demográficos y una tabla filtrada de variantes que capturaba rareza, efecto proteico previsto, estado en ClinVar y calidad de señal entre los familiares disponibles, a menudo tríos. Un resultado se consideró diagnóstico solo después de que clínicos calificados evaluaran la evidencia, un laboratorio certificado bajo las Enmiendas de Mejora de Laboratorios Clínicos (CLIA) confirmara una variante patogénica o probablemente patogénica, y el equipo de atención comunicara el hallazgo a la familia. El modelo en sí no emitió diagnósticos; generó hipótesis vinculadas a evidencia para enfocar la revisión experta.

El estudio, publicado el 18 de junio de 2026 en NEJM AI, aplicó el flujo de trabajo a 376 casos previamente sin resolver que abarcaban trastornos del neurodesarrollo, enfermedad neuromuscular rara, psicosis temprana y muerte súbita inesperada en pediatría. Los médicos establecieron 18 diagnósticos tras la revisión experta y la confirmación clínica, lo que supuso un incremento del 4.8%. Los rendimientos a nivel de cohorte fueron del 10.0% (neurodesarrollo), 6.6% (neuromuscular), 13.3% (psicosis temprana) y 1.0% (muerte súbita inesperada en pediatría).

Antes de examinar los casos no resueltos, el equipo refinó las indicaciones del modelo con conjuntos de datos previamente resueltos. El enfoque recuperó el gen y la variante correctos en ejecuciones duplicadas para 48 de 51 casos mixtos de enfermedades raras, devolvió el diagnóstico correcto en 45 de 57 casos neuromusculares e identificó el gen correcto en los 15 genomas de lectura larga, nombrando ambos alelos causantes de enfermedad en 12. Los puntajes de confianza del modelo se correlacionaron con la exactitud, con una media de 85,6 para llamadas verdaderas consistentes frente a 42,1 para llamadas incorrectas o desconocidas, pero no se utilizaron para la adjudicación.

El flujo de trabajo demostró flexibilidad al inferir una deleción 22q11.2 a partir de patrones de llamadas de baja calidad en un caso de psicosis temprana, posteriormente confirmada mediante secuenciación de seguimiento. También identificó explicaciones digénicas en casos seleccionados y destacó un posible vínculo mecanístico entre una deleción en S1PR1 y el vitíligo, que requerirá validación experimental. Las limitaciones reportadas incluyen el diseño retrospectivo, cohortes heterogéneas, falta de cegamiento respecto a la confianza del modelo y ausencia de medición del tiempo, costo, esfuerzo clínico o carga de falsos positivos; se recomendaron comparaciones prospectivas multicéntricas.

Los autores enfatizaron que la investigación no respalda el uso de modelos de propósito general para el diagnóstico y que cada resultado pasó por adjudicación humana y confirmación de laboratorio. No se evaluaron sistemas más nuevos de propósito general o diseñados específicamente, y una implementación más amplia requeriría atención a la privacidad, la seguridad, la auditabilidad y la regulación local. El Centro Manton liderará la próxima fase mediante una subvención de la OpenAI Foundation para desarrollar un copiloto de IA genética de bajo costo e independiente de la plataforma para el análisis de casos de enfermedades raras.

“El cuello de botella es el tiempo. Un experto solo puede dedicar una parte limitada de su jornada a una persona concreta”, dijo la Dra. Catherine Brownstein, del Manton Center for Orphan Disease Research de Boston Children’s Hospital.

“Investigadores como Catherine y yo no podemos tener en la cabeza 8.000 enfermedades distintas. Ese es el poder de la IA”, dijo Alan Beggs, director del Manton Center for Orphan Disease Research.

Enlaces relacionados
Boston Children’s Hospital’s Manton Center for Orphan Disease Research

Visitar la expo >

Miembro Platino

Analizador de coagulación automatizado

Hemolumi H6

Miembro Oro

Lector rapido de tarjetas

EASY READER+

ANALIZADOR DE ELECTROLITOS

BKE-B

New

Prueba de MR-proADM

B•R•A•H•M•S MR-proADM KRYPTOR test