Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros
INTEGRA BIOSCIENCES AG

Deascargar La Aplicación Móvil




El aprendizaje automático permite orientar el cribado de lipoproteína(a) elevada

Por el equipo editorial de LabMedica en español
Actualizado el 20 Sep 2026
Crédito de la imagen:  Diane E. MacDougall et al., FIND Lp(a) Machine Learning Model: Targeted Screening Enrichment of Elevated Lipoprotein(a) in Atherosclerotic Cardiovascular Disease, JACC: Advances (2026). DOI: 10.1016/j.jacadv.2026.103114
Crédito de la imagen: Diane E. MacDougall et al., FIND Lp(a) Machine Learning Model: Targeted Screening Enrichment of Elevated Lipoprotein(a) in Atherosclerotic Cardiovascular Disease, JACC: Advances (2026). DOI: 10.1016/j.jacadv.2026.103114

La lipoproteína(a) es un factor de riesgo independiente, determinado genéticamente, de la enfermedad cardiovascular aterosclerótica; sin embargo, el cribado rutinario sigue siendo poco común a pesar de las recomendaciones de las guías, lo que deja sin identificar a muchos pacientes de alto riesgo. Los obstáculos operativos limitan aún más la capacidad de los sistemas de salud para ofrecer pruebas universales en grandes poblaciones cardiovasculares.

Para favorecer un cribado más dirigido, la Family Heart Foundation ha desarrollado un modelo de aprendizaje automático para identificar a pacientes con enfermedad aterosclerótica establecida que podrían beneficiarse de la medición de lipoproteína(a).

El modelo de aprendizaje automático FIND Lp(a) de la Family Heart Foundation se describió en un estudio publicado el 9 de septiembre de 2026 en JACC: Advances. Diseñado para ayudar a los sistemas de salud a priorizar las pruebas, el modelo identifica a las personas con enfermedad cardiovascular aterosclerótica que tienen más probabilidades de presentar lipoproteína(a) elevada. Este enfoque dirigido forma parte de un esfuerzo más amplio para ampliar las pruebas hacia el cribado universal recomendado por las guías.

El modelo aplica analítica predictiva a datos comúnmente disponibles en las historias clínicas electrónicas. Genera una lista priorizada de pacientes que justifican la prueba de lipoproteína(a) y está diseñado para integrarse con los flujos de trabajo clínicos existentes. Este enfoque dirigido busca concentrar los recursos de laboratorio donde la probabilidad de niveles elevados es más alta.

El desarrollo y la validación inicial se realizaron con la Family Heart Database. En esa población, los pacientes señalados por el modelo tenían más de 2,2 veces más probabilidades de presentar lipoproteína(a) elevada, definida como 125 nmol/L o más, en comparación con la cohorte global de enfermedad cardiovascular aterosclerótica. Actualmente se está llevando a cabo una validación adicional utilizando datos retrospectivos y prospectivos de sistemas de atención sanitaria.

El modelo ya se ha implementado en cinco grandes sistemas de atención sanitaria de Estados Unidos dentro del programa Flag, Identify, Network and Deliver (FIND) Lp(a) de la fundación. Los sistemas participantes ofrecen pruebas a las personas identificadas por el programa, y aquellas con niveles elevados reciben atención y oportunidades de conectarse con la fundación para recibir educación y apoyo. A través de una Red de Aprendizaje Colaborativo, los socios evalúan de forma prospectiva el rendimiento en el mundo real, comparten las mejores prácticas y establecen vías sostenibles de cribado.

El conocimiento sobre la lipoproteína(a) elevada sigue siendo bajo entre los clínicos, los administradores de los sistemas de salud, los pagadores y el público. La evidencia citada por la fundación indica que una de cada cinco personas tiene niveles elevados, pero se estima que el 99% de las personas en Estados Unidos nunca se ha sometido a cribado. Estas lagunas subrayan el posible papel de soluciones dirigidas a nivel de sistema.

“Aunque las recientes guías estadounidenses sobre dislipidemia recomiendan el cribado de Lp(a) para todos los adultos, integrarlo en la práctica clínica rutinaria llevará muchos años, si no décadas”, dijo Diane MacDougall, vicepresidenta de investigación de la Family Heart Foundation y autora principal del estudio.

“El modelo FIND Lp(a) apoya el cribado dirigido al ayudar a identificar a las personas con más probabilidades de tener Lp(a) elevada, acelerando la adopción del cribado universal y creando más oportunidades para que las personas que viven con Lp(a) elevada y sus equipos de atención sanitaria gestionen el riesgo cardiovascular”, dijo MacDougall.

Enlaces relacionados
The Family Heart Foundation

Miembro Platino
Analizador de coagulación automatizado
Hemolumi H6
Miembro Oro
NEW PRODUCT : SILICONE WASHING MACHINE TRAY COVER WITH VICOLAB SILICONE NET VICOLAB®
REGISTRED 682.9
Food Allergy Screening ELISA Kit
Allerquant 14G B ELISA
Miembro Oro
Solución de biomarcadores proteicos en sangre para la enfermedad de Alzheimer
BG-DTi2000.

Canales

Microbiología

ver canal
Imagen: El actual brote de BDBV en la República Democrática del Congo pone de relieve los desafíos de respuesta a infecciones raras y graves (Crédito de la imagen: 123RF)

Investigación refuerza la preparación ante brotes del virus Bundibugyo con diagnósticos más rápidos

El virus de Bundibugyo (BDBV), una especie de ebolavirus, causa una enfermedad hemorrágica grave y puede ser difícil de diagnosticar rápidamente durante los brotes. Los recientes cambios... Más

Patología

ver canal
Crédito de la imagen: Adobe Stock

Herramienta citológica de aprendizaje automático mejora la identificación de células cancerosas

El cribado citológico sigue siendo fundamental para la detección temprana del cáncer, pero su precisión depende en gran medida de la interpretación experta de las células... Más

Tecnología

ver canal
Imagen: ADLM recomienda que las herramientas de inteligencia artificial emergentes sigan los mismos estándares profesionales de supervisión, calidad, validación y monitoreo que las pruebas clínicas tradicionales dentro del marco existente de CLIA (Crédito de la imagen: Adobe Stock)

ADLM pide actualizar CLIA para apoyar el uso seguro de IA en medicina de laboratorio

Los laboratorios clínicos utilizan cada vez más la inteligencia artificial para verificar, interpretar e informar resultados, pero las salvaguardas de las Enmiendas para la Mejora de los... Más
Copyright © 2000-2026 Globetech Media. All rights reserved.