Una red neuronal artificial mejora el diagnóstico no invasivo de fibrosis significativa en pacientes coinfectados VIH/VHC

Publicado en: Resino S ^(*), Seoane JA, Bellón JM, Dorado J, Martin-Sanchez F, Álvarez E, Cosín J, López JC, Lopéz G, Miralles P, Berenguer J. An artificial neural network improves the non-invasive diagnosis of significant fibrosis in HIV/HCV coinfected patients. J Infection 2011; 62 (1):77-86. (A; FI= 4.13).

INTRODUCCIÓN

La infección por el virus de la hepatitis C ( VHC) es frecuente en los pacientes infectados por el VIH, dando mayores tasas de progresión de la fibrosis, cirrosis y enfermedad hepática terminal que en los pacientes monoinfectados con VHC (1, 2). El estadiaje de la fibrosis hepática se considera una parte esencial en el manejo de los pacientes con hepatitis crónica C (HCC) , ya que proporciona información pronóstica y, en muchos casos , ayuda en las decisiones terapéuticas. Cuando la biopsia de hígado muestra los grados más bajos de la fibrosis hepática (F0/F1) , independientemente del genotipo del VHC, la terapia del VHC puede ser diferida en pacientes coinfectados por VIH/VHC (3).

Durante muchos años, el diagnóstico y la cuantificación de la fibrosis se han basado en biopsias de hígado, un procedimiento con varios inconvenientes (4). Actualmente, existen varios métodos no invasivos de diagnóstico para la determinación de la fibrosis hepática, tales como los índices basados en marcadores de sangre perférica y métodos de imagen (5). HGM-1 (6), APRI (7), FIB-4 (8), y el índice de Forns (9) son índices de fibrosis no invasivas que incluyen los datos de rutina de bioquímica y hematología (marcadores indirectos). Las variables incluidas en estos índices son de fácil acceso y los cálculos son relativamente fáciles. Sin embargo, la precisión diagnóstica de los índices antes mencionados es baja para el diagnóstico de la fibrosis en pacientes coinfectados VIH/VHC (10), y por lo tanto, la búsqueda de sistemas más precisos para predecir fibrosis significativa está justificada.

La fibrosis hepática es una patología en relación con un sistema biológico donde la relación entre las variables que determinan el diagnóstico de la fibrosis es compleja, multidimensional y no lineal (11). Las Redes Neuronales Artificiales (RNAs) son alternativas no paramétricas eficientes que realizan tareas de reconocimiento de patrones y clasificación mejor que los análisis convencionales (12, 13). Las RNAs son modelos informáticos que consisten en un conjunto de neuronas artificiales unidas entre sí con conexiones ponderadas que pueden aprender a través de ejemplos y , por tanto, establecer el peso correspondiente para cada entrada (por ejemplo, varias pruebas de laboratorio) . A continuación, la RNA puede asignar las salidas (por ejemplo, diferentes resultados) a los nuevos datos de entrada no utilizados en el proceso de aprendizaje (12, 13).

Este estudio tuvo como objetivo desarrollar una RNA usando datos de la rutina de análisis hematológico y bioquímico para predecir la fibrosis significativa en pacientes coinfectados con VIH/VHC, y comparar su rendimiento con los índices no invasivos de fibrosis hepática calculados a partir de datos de rutina clínica, tales como HGM-1 , APRI, FIB- 4, y el índice de Forns.

PACIENTES Y MÉTODOS

Pacientes

Se realizó un estudio transversal en 362 pacientes coinfectados por VIH/VHC del Hospital General Universitario “Gregorio Marañón” de Madrid (España) que se sometieron a una biopsia hepática entre mayo de 2000 y enero de 2009, ya que eran candidatos potenciales para la terapia frente al VHC.

Los criterios de inclusión fueron: disponibilidad de una muestra de suero congelado recogido en el día de la biopsia hepática, no evidencia clínica de descompensación hepática, ARN del VHC detectable mediante la reacción en cadena de la polimerasa (PCR), antígeno de superficie B negativo, linfocitos CD4 + >=200 células/mm3, y terapia antirretroviral estable o no necesidad de terapia antirretroviral. Los criterios de exclusión fueron: diabetes, infecciones oportunistas activas y la adicción a drogas activa.

En nuestra cohorte de pacientes, 297 pacientes coinfectados por VIH / VHC tenían datos de la biopsia hepática antes de mayo de 2007, pero sólo 195 de 297 pacientes pudieron ser incluidos debido a que también tuvieron una muestra de suero recogida y congelada. Todo el trabajo se realizó de conformidad con la Declaración de Helsinki. Todos los pacientes dieron su consentimiento por escrito para la biopsia del hígado y el Comité de Ética aprobó el estudio.

Datos clínicos y de laboratorio

En el día de la biopsia, la siguiente información se obtuvo de las historias clínicas: edad, sexo, riesgo categoría, peso, talla, consumo de alcohol, categoría CDC clínica, recuento de células CD4, terapia antirretroviral previa, el tratamiento antirretroviral en el momento de la biopsia hepática, el tiempo total de terapia antirretroviral, carga viral del VIH y VHC y genotipo del VHC. Una muestra de plasma en ayunas fue recogida y almacenada inmediatamente y se congeló (a -70 ° C) para ensayos posteriores.

La duración de la infección por VHC en pacientes con antecedentes de consumo de drogas por vía intravenosa se estima al iniciar el uso compartido de agujas. Los pacientes fueron interrogados en relación con el consumo de alcohol. Se consideró el consumo de más de 50 gramos de alcohol al día durante más de 12 meses como un alto consumo.

La infección por VIH se diagnosticó en todos los pacientes mediante un inmunoensayo (ELISA) y un ensayo de Western blot. Todos los pacientes dieron positivo a anticuerpos específicos contra el VHC y tenían niveles séricos detectables de ARN-VHC según la evaluación de la reacción en cadena de polimerasa (PCR). La carga viral de ARN del VHC se determinó mediante PCR (Cobas Amplicor HCV Monitor Test, NJ, EE.UU.) y PCR en tiempo real (COBAS AmpliPrep/COBAS TaqMan HCV test), y los resultados se presentan en unidades internacionales por mililitro (UI/ml). El genotipo del VHC se determinó mediante la hibridación de productos de PCR marcados con biotina con las sondas de oligonucleótidos unidos a las tiras de membrana de nitrocelulosa (INNO-LiPA HCV II, Innogenetics, Gante, Bélgica). Una muestra de sangre se utilizó también para el contaje de CD4+ y carga viral VIH-ARN.

Biopsia hepática

Las biopsias de hígado se realizaron de forma ambulatoria siguiendo las recomendaciones de la Comisión de Atención al Paciente de la Asociación Americana de Gastroenterología (14). Todas las biopsias de hígado fueron realizados por los mismos médicos (JB y PM) con una aguja de aspiración (HISTO-CUT 16G, Sterylab Srl. Milano, Italy). El ultrasonido se utiliza de manera rutinaria para determinar el sitio de la biopsia percutánea. No registramos sistemáticamente el tamaño de las muestras de biopsia hepática, sin embargo, durante el período de estudio, 5 de cada 297 biopsias rendidos tejido hepático insuficiente para el diagnóstico patológico.

Las secciones de tejido del hígado se fijaron en fomalina, se incluyeron en parafina y se tiñeron con hematoxilina-eosina, tricrómico de Mason, y el hierro de Perls. Las muestras fueron evaluadas por un patólogo (EA) que desconocía los datos clínicos o de laboratorio de los pacientes. La fibrosis hepática se estimó siguiendo los criterios establecidos por el Grupo de Estudio Cooperativo METAVIR (15). La fibrosis se anotó como: F0, sin fibrosis, F1, fibrosis portal, F2 fibrosis periportal, F3, septos fibrosos, con distorsión de la arquitectura y ausencia de cirrosis obvia (fibrosis en puente) y F4, cirrosis definitiva.

Desarrollo de la red neuronal artificial

La red neuronal fue desarrollado en MATLAB utilizando Neural Network Toolbox 6.0.3 (Mathworks, Natick, MA, EE.UU.). En este estudio, una red neuronal perceptrón multicapa se construyó con al menos tres capas de neuronas: una capa de entrada, una capa de salida y al menos una capa oculta. Las neuronas están unidas entre sí con conexiones ponderadas. El número de neuronas de entrada es igual al número de pruebas de laboratorio en este estudio, y el número de neuronas de salida es igual al número de resultados. La presente multicapa perceptrón tiene 10 neuronas de entrada que son variables disponibles (Figura 1): a) de fibrinógeno (mg/dl) que se ha asociado con la fibrosis y la cirrosis en la enfermedad crónica del hígado (16); y b) variables incluidas en otros índices predictivos de la fibrosis hepática: la glucosa (mg/dL) (6), AST (UI/L) (6-8), ALT (UI/L) (8), GGT (UI/L) (9), ALP (IU/L) (6), el colesterol (mg/dL) (9), recuento de plaquetas (x10³/mm3) (6-9), el valor de INR (6), y la edad (años) (8, 9).

Figure 1. Schematic representation of the artificial neural network (ANN) model developed to predict significant fibrosis (F?2) of HIV/HCV coinfected patients. aspartate aminotransferase (AST), alanine aminotransferase (ALT), c-glutamyl transpeptidase (GGT), alkaline phosphatase (ALP), INR, international normalized ratio.

Los pacientes de la cohorte HGUGM fueron divididos aleatoriamente en dos grupos: a) uno de estimación o grupo de entrenamiento/validación (217 casos; 60%) utilizados para entrenar a la red, y b) otro grupo de prueba (145 casos, 40%) que se utiliza para confirmar su poder para predecir el resultado en diferentes subgrupos de pacientes (Figura 2).

Figure 2. Datasets used in the development (estimation) and external validation (test) of the artificial neural network (ANN). ROC, receiver-operating characteristics; aspartate aminotransferase/platelet ratio index (APRI).

En primer lugar se utilizó el conjunto de entrenamiento (145 de 217 pacientes) para crear el modelo de RNA durante varias iteraciones. A continuación, se utilizan las validaciones del conjunto de entrenamiento (71 de 217 pacientes) para comprobar la capacidad de generalización de la RNA. El aprendizaje se produce a través de la exposición a los datos de entrada-salida emparejados, modificando el peso de las conexiones entre sus neuronas. Se genera una señal de error cuando el patrón de salida no está de acuerdo con la salida deseada. Esta señal de error se transmite después hacia atrás a través de la RNA para actualizar el peso de las conexiones entre las neuronas y reducir el error global de la RNA (12, 13). Los pesos relativos de los parámetros de entrada clínicos para el análisis de RNA se calcularon de acuerdo con el método “General Influence Measure” (17) y se muestran en la Figura 3. Todas las variables tuvieron una contribución significativa en la predicción de la fibrosis significativa o avanzada y la eliminación de cualquiera de ellos disminuyó el rendimiento de la RNA.

Figure 3. Relative weights of the clinical input parameters in an artificial neural network (ANN) trained with patients of training set. (A) ANN-SF, ANN for significant fibrosis; (B) ANN-AF, ANN for advanced fibrosis.

A

B

La red sigue entrenando con el grupo de aprendizaje específico, mientras que se reduce el error de red durante la evaluación del conjunto de validación. En este punto, si la red ha capacitado de más, habrá memorizado el conjunto de entrenamiento, por lo que su capacidad de generalización es peor. En lugar de esto, la red se detiene cuando el error de validación aumenta. Esta técnica evita el sobreentrenamiento, que es un problema muy común en algoritmos de optimización y aprendizaje. Por último, la prueba o validación de ejemplos de modelos que la red no ha visto nunca antes se lleva a cabo como una prueba de generalización independiente (12, 13).

Diferentes ensayos se realizaron con diferentes arquitecturas con 1, 2 y 3 capas ocultas. El número de elementos de procesamiento (PE) de cada uno fue cambiado de entre 3 y 30, y se utilizaron tres funciones de transferencia diferentes: lineal, sigmoide tangente y sigmoide logarítmica. Durante el proceso de formación, los diferentes algoritmos de respaldo de propagación fueron juzgados (descenso de gradiente, gradiente de descenso con ímpetu, cuasi – Newton y Levenberg -Marquardt), con el error cuadrático medio como medida de error. La arquitectura que logra los mejores resultados en todos estos ensayos fue un feed-forward con 1 capa oculta y 12 de PE, con un sigmoide tangente como la función de transferencia en la capa oculta y una sigmoide logarítmica como la función de transferencia en la capa de salida, y con el algoritmo de Levenberg-Marquardt como el algoritmo de entrenamiento de retropropagación.

Estadística

En general, los resultados se presentan como mediana (percentil 25, percentil 75) para las variables continuas y como frecuencias y porcentajes para los datos categóricos. El análisis de la normalidad se realizó con la prueba de Kolmogorov-Smirnov.

Los datos categóricos y las proporciones se analizaron mediante el test de chi-cuadrado o la prueba exacta de Fisher cuando sea necesario. La prueba de la T-Student se utilizó para comparar las medias de los dos grupos con distribución normal y la prueba de Man-Whitney para comparar las variables con distribuciones no normales. La prueba de ANOVA ajustado por la prueba de Bonferroni se utilizó para comparar las medias de 3 o más grupos con distribuciones normales.

Se evaluó el rendimiento diagnóstico de la RNA para la fibrosis significativa (ANN-SF) mediante el cálculo de las áreas bajo las curvas ROC (AUC-ROC) (18, 19). También se evaluaron otros cuatro índices no invasivos construidos a partir de los parámetros de rutina para predecir la fibrosis hepática: a) HGM-1 y HGM-2 (6), b) FIB-4 (8), c) APRI (7), y d) el índice de Forns (20). Además, se evaluaron cortes para el ANN-SF de acuerdo con una sensibilidad (Se) del 95% para el punto de corte bajo utilizado para predecir la ausencia de fibrosis significativa (F <2) y una especificidad (Sp) del 95% para el punto de corte alto para predecir la fibrosis significativa (F>=2). Se calculó la Se, Sp, valor predictivo positivo (VPP) y valor predictivo negativo (VPN) para cada punto de corte para evaluar la precisión diagnóstica. También se calcularon la razón de posibilidades de diagnóstico (DOR) que expresa la fuerza de la asociación entre el resultado de la prueba y la enfermedad (21). Un DOR de 1 sugiere que la prueba tiene nula capacidad. Por otra parte, también se calcularon los coeficientes de probabilidad (LR) que se define como la razón entre la probabilidad de tener determinado resultado del test en la población con la condición versus tener el mismo resultado en la población sin la condición. Es decir, la proporción de test positivos en los individuos con la condición en estudio dividido por la proporción de test positivos en los individuos sin la condición en estudio. Si tomamos un test que tiene sólo dos valores posibles, positivo o negativo, tendremos un valor de LR (+), que representa la magnitud del cambio en caso de presentar un test positivo, y un LR (-), que representa la magnitud del cambio en caso de presentar un resultado negativo.

También se evaluó el rendimiento diagnóstico de la RNA para la fibrosis avanzada (ANN-AF) por un procedimiento similar al descrito anteriormente.

Todas las pruebas fueron de dos colas y los valores de p <0.05 fueron considerados como significativos. El análisis estadístico se realizó mediante el programa informático SPSS 15.0 (SPSS Inc., Chicago, IL, Estados Unidos) y EPIDAT 3.0.

RESULTADOS

Pacientes

Se dividieron aleatoriamente a los 362 pacientes que fueron sometidos a biopsia hepática en 2 grupos: un grupo de estimación y un grupo de validación (Figura 2). Ambos grupos fueron balanceados en las características basales a excepción del nadir de CD4+ (Tabla 1).

Table 1. Characteristics of 362 HIV/HCV co-infected patients, who underwent a liver biopsy.

* Absolute number (percentage). # Median (percentile 25; percentile 75). (a): significant differences (p<0.05). Abbreviations: HCV: Hepatitis C virus. HIV-1: Human immunodeficiency virus type 1. HAART: highly active antiretroviral therapy. NRTI: nucleoside analogue HIV reverse transcriptase inhibitor. NNRTI: non-nucleoside analogue HIV reverse transcriptase inhibitor. PI: protease inhibitor. HIV-RNA: HIV plasma viral load. HCV-RNA: HCV plasma viral load. INR: international normalized ratio. ALP: alkaline phosphatase. AST: aspartate aminotransferase. GGT: gamma glutamyl transpeptidase. ALT: alanine aminotransferase.

Rendimiento diagnóstico de la RNA para fibrosis significativa (ANN-SF)

Figure 4. A & B: Box plots illustrating the distribution of values from the artificial neural network for significant fibrosis (ANN-SF) against fibrosis score for the estimation (A) and test groups (B). Horizontal lines inside each box represent the median, and the lower and upper borders of the box encompass the interquartile range. The vertical lines from the ends of each box encompass the extreme data points. C: Diagnostic values of the ANN-SF for prediction of significant fibrosis (F?2) in the estimation and test groups. D: Diagnostic values of the ANN-SF, HGM-1, APRI, FIB-4, and Forn’s indices, for prediction of significant fibrosis (F?2).

Las Figuras 4A y 4B muestran que los valores de ANN-SF aumentaron significativamente en las etapas avanzadas de la fibrosis hepática en ambos grupos de estimación y prueba. Encontramos diferencias significativas al comparar F2, F3 y F4 con F0-F1, y F2 con F4 (p<0,05). Por otra parte, encontramos valores de AUC-ROC de ANN-SF similares para los grupos de estimación y prueba (Figura 4C). Por otra parte, los valores de AUC-ROC de la ANN- SF fueron mayores que HGM 1, FIB- 4, APRI y Forns para la fibrosis significativa (F?2) (p<0,05 ) (Figura 4D). El valor ajustado AUC-ROC por el método de DANA para ANN-SF fue 0,920 (95%IC: 0,881; 0,958).

Con el punto de corte bajo de ANN-SF (<0,35) para el grupo de estimación, 41 pacientes fueron correctamente identificados (verdaderos negativos (TN) sin fibrosis significativa), y sólo 7 pacientes fueron clasificados erróneamente (falsos negativos (FN) con fibrosis significativa) (Tabla 2). Encontramos la presencia de F<2 con una certeza del 85,4%. La LR(-) estuvo por debajo de 0.15 y el DOR estaba por encima de 11. Para el grupo de prueba, los valores de precisión de diagnóstico fueron similares a los valores para el grupo de estimación (Tabla 2).

Con el punto de corte alto de ANN-SF (>0,75) para el grupo de estimación, 64 pacientes fueron correctamente identificados (verdadero positivo (TP) con fibrosis significativa), y sólo 5 pacientes fueron clasificados erróneamente (falsos positivos (FP) y sin fibrosis significativa) (Tabla 2). Encontramos la presencia de F?2, con una certeza del 92,8%. El LR (+) fue mayor que 10 y el DOR fue mayor que 20. Para el grupo de prueba, los valores de precisión de diagnóstico fueron similares a los valores para el grupo de estimación (Tabla 2).

Table 2. Diagnostic accuracy and predictive values of the artificial neural network for significant fibrosis (ANN-SF).

(*): values as percentage (%) and 95% of confidence interval (95%CI). (**): values as ratio value and 95% of confidence interval (95%CI). Abbreviations: TP, true positive cases (correct diagnosis); FP, false positive cases (over-diagnosis); TN, true negative cases (correct diagnosis); FN, false negative cases (missed cases); Se, sensitivity; Sp, specificity; PPV, positive predictive value; NPV, negative predictive value. LR, likelihood ratio, DOR, diagnostic odds ratio.

Rendimiento diagnóstico de la RNA para fibrosis avanzada (ANN-AF)

La RNA también fue puesta en marcha para el diagnóstico de fibrosis avanzada (ANN-AF) con los mismos 10 entradas descritos para la RNA-SF, pero con os pesos asignados a cada variable específica para el diagnóstico de fibrosis avanzada (F?3). Encontramos valores similares AUC-ROC para la ANN-AF (0,866 (95%IC: 0,806; 0,926)) y HGM-2 (0,850 (95%IC: 0,790; 0,910)). Por otra parte, los valores de AUC-ROC para FIB-4 (0,787 (95%IC: 0,729; 0,844)), APRI (0,793 (95%IC: 0,741; 0,846)), y el índice de Forns (0,776 (95%IC: 0,720; 0.832)) para el diagnóstico de fibrosis avanzada fueron ligeramente más baja que la ANN-SF, pero no hubo diferencias estadísticamente significativas. El valor ajustado de AUC-ROC por el método de DANA para ANN-AF fue 0,907 (95%IC: 0,847; 0,967).

Con el punto de corte bajo de ANN-AF (<0,10) para el grupo de estimación, 71 pacientes fueron correctamente identificados (TN sin fibrosis avanzada), y sólo 3 pacientes fueron mal clasificados (FN con fibrosis avanzada) (Tabla 3). Encontramos que la presencia de F<3, con una certeza del 95,9%. La LR(-) estuvo por debajo de 0.15 y el DOR estaba por encima de 13. Para el grupo de prueba, los valores de precisión de diagnóstico fueron similares a los valores para el grupo de estimación (Tabla 3).

Con el punto de corte alto de ANN-AF (>0,50) para el grupo de estimación, 30 pacientes fueron correctamente identificados (TP con fibrosis avanzada), y sólo 7 pacientes fueron mal clasificados (FP sin fibrosis avanzada) (Tabla 3). Encontramos que la presencia de F?3 con una certeza del 81,1 %. El LR(+) fue mayor que 12 y el DOR fue mayor que 25. Para el grupo de prueba, los valores de precisión de diagnóstico fueron similares a los valores para el grupo de estimación (Tabla 3).

Table 3. Diagnostic accuracy and predictive values of the artificial neural network for advanced fibrosis (ANN-AF).

(*): values as percentage (%) and 95% of confidence interval (95%CI). (**): values as ratio value and 95% of confidence interval (95%CI). Abbreviations: TP, true positive cases (correct diagnosis); FP, false positive cases (over-diagnosis); TN, true negative cases (correct diagnosis); FN, false negative cases (missed cases); Se, sensitivity; Sp, specificity; PPV, positive predictive value; NPV, negative predictive value. LR, likelihood ratio, DOR, diagnostic odds ratio.

DISCUSSION

Un gran número de índices de la fibrosis hepática que involucran combinaciones de marcadores indirectos han sido publicados y han demostrado una alta precisión de diagnóstico para cirrosis, pero baja exactitud en el diagnóstico de las etapas anteriores de la fibrosis (5). Por otra parte, la precisión diagnóstica de estos índices es aún menor en los pacientes coinfectados por VIH/VHC que en los pacientes monoinfectados por VHC (10). En nuestro estudio, hemos desarrollado una red neuronal a partir de datos de laboratorio para identificar la fibrosis significativa (F? 2) en pacientes coinfectados por VIH/VHC. Hemos encontrado que la ANN-SF tuvo un rendimiento diagnóstico alto, el ANN-SF predice la presencia de fibrosis significativa (92,8% de certeza) mejor que la ausencia de fibrosis significativa (85,4% de certeza). Estos resultados confirman que ANN-SF es un método no invasivo para la detección precisa de la fibrosis significativa (F?2) en pacientes coinfectados por VIH/VHC.

Los índices de fibrosis no invasivos representan una herramienta importante para el manejo de pacientes con HCC, sobre todo cuando no se tiene acceso a una biopsia hepática. Varios índices no invasivos basados en parámetros clínicos de rutina (HGM-1, FIB-4, APRI, o índice de Forns) pueden predecir la fibrosis. Las RNAs son potencialmente más éxito que las técnicas estadísticas tradicionales cuando se utilizan para predecir la etapa de un sistema biológico complejo (22). Sobre la base de estos supuestos, hemos desarrollado una red neuronal con los parámetros clínicos incluidos en los índices clásicos, más fibrinógeno. Nosotros hemos encontrado que la ANN-SF tenía un valor de AUC-ROC cerca de 0,85 y que fue significativamente mayor que los valores de AUC-ROC de HGM-1, FIB-4, APRI o el índice de Forns.

De APRI, FIB-4, y el índice de Forns, no todos fueron desarrollados para diferenciar F0 -F1 vs F2- F3- F4 en pacientes coinfectados por VIH / VHC. El índice de Forns fue desarrollado para detectar pacientes monoinfectadas VHC sin fibrosis hepática (9). APRI se desarrolló para identificar a los pacientes monoinfectados por VHC con fibrosis y cirrosis significativo (7). Sólo FIB-4 fue desarrollado para detectar fibrosis significativa y avanzada en pacientes coinfectados por VIH / VHC (8). El rendimiento diagnóstico de APRI y Forns fue ligeramente menor en los pacientes coinfectados por VIH/VHC que los encontrados en los documentos originales (7, 9). Sin embargo, nuestros datos de APRI y Forns fueron consistentes con otros datos obtenidos en pacientes coinfectados por VIH/VHC (23-26). Sin embargo, los valores de FIB-4 que se encuentran en nuestro estudio fueron similares o superiores a los reportados previamente en pacientes coinfectados por VIH/VHC (8, 10). En cualquier caso, los valores de estos índices no invasivos (APRI, FIB-4, y el índice de Forns) en pacientes coinfectados con VIH/VHC han mostrado un AUC -ROC inferior a 0,80 para el diagnóstico de fibrosis significativa y avanzada.

Algunos expertos consideran que las pruebas no invasivos de fibrosis con valores de AUC-ROC de 0,85 a 0,90 pueden ser tan buenas como una biopsia de hígado para el estadiaje de fibrosis hepática ((27); y en nuestro estudio, el rendimiento diagnóstico alcanzado por la ANN-SF estuvo alrededor 0.85 y entre un 7-14% mejor que las AUC-ROC obtenida con HGM-1, FIB-4, APRI o el índice de Forns. De particular interés es la constatación de que la ANN-SF tenía un grado de precisión que no se había logrado previamente con marcadores indirectos para los pacientes coinfectados por VIH/VHC (10, 24, 25, 28, 29). También queremos señalar que el índice de HGM-1 desarrollado a partir de un subgrupo de pacientes incluidos en el estudio actual (6), fue superado por la ANN-SF.

Hay otros índices de fibrosis no invasivos que no se analizaron en este estudio como Fibrometer, Hepascore y el Fibrotest. Estos índices han sido evaluadas previamente en pacientes coinfectados VIH/VHC y han mostrado un buen rendimiento diagnóstico para la predicción de la fibrosis hepática significativa (10). Hubiera sido interesante comparar ANN-SF con estos índices, sin embargo, por desgracia, no todas las variables necesarias para calcular el el Fibrotest estaban disponibles. El índice de Shasta, FibroSpect y GlycoCirrhoTest son combinaciones de biomarcadores indirectos y directos que no han sido evaluados en pacientes coinfectados por VIH/VHC (5); y contienen algunas pruebas no rutinarias que no son muy accesibles y probablemente costosas, lo cual hacen a estos modelos menos atractivo teniendo en cuenta que no es factible para la mayoría de los médicos. Las ventajas de los parámetros bioquímicos y hematológicos, como los utilizados en el desarrollo de ANN-SF, son que son asequibles y ampliamente disponibles. Sin embargo, se ven obstaculizados por las distorsiones potenciales, ya que pueden verse afectadas por factores asociados a la infección por VIH, tales como anormalidades hematológicas y la terapia antirretroviral, que puede conducir a un aumento de las transaminasas o de colesterol (30-32).

Aparte de estos biomarcadores de laboratorio, la fibrosis hepática se evalúa usando la elastografía transitoria (FibroScan) (33). Sin embargo, el rendimiento diagnóstico de la rigidez hepática en pacientes coinfectados por VIH/VHC reportado para el diagnóstico de la fibrosis significativa fue menor que el rendimiento diagnóstico de la ANN-SF que se muestra aquí (34, 35).

Por otro lado, ANN-AF tenía valores de AUC-ROC similares a HGM-2 y los valores ligeramente más altos que FIB-4, APRI, y el índice de Forns para el diagnóstico de fibrosis avanzada (F?3). Por otra parte, Cacoub et al. informó de que otras pruebas no invasivas (fibrómetro, Hepascore y FibroTest) fueron capaces de clasificar el hígado con fibrosis avanzada con AUROC de 0,84 en los pacientes coinfectados por VIH/VHC (10). La elastografía de transición ha mostrado un rendimiento diagnóstico superior (AUC-ROC=0,93) que en nuestra ANN-AF para la fibrosis avanzada (34). Por lo tanto, creemos que la ANN-AF es menos útil para el diagnóstico de fibrosis avanzada, porque hay otros métodos no invasivos con rendimientos similares o superiores.

Un punto importante es la utilidad clínica de los algoritmos propuestos en este artículo. Hemos subido el ANN- SF en una aplicación web de fácil acceso en http://ibsen.tic.udc.es:8080/WebANN-SF/Default.aspx, que puede ser útil para el manejo clínico de los pacientes. Esta aplicación se encuentra en un sitio web de acceso gratuito con el objetivo de tener la mayor difusión posible y aplicabilidad. El sitio web proporciona los valores de Sp, Se, VPP y VPN para cada valor de ANN-SF por interpolación en una curva ROC construida con todos los datos de los pacientes incluidos en este estudio. Cuando el algoritmo proporciona un valor inferior a 0,35, podría ayudar a eliminar la necesidad de la biopsia y descartar el tratamiento antiviral contra el VHC. Sin embargo, el VPN y la LR(-) fueron moderados y la prueba no es suficientemente fuerte como para descartar completamente la fibrosis significativa. Cuando el algoritmo proporciona un valor mayor que 0,75, podría igualmente ayudar a eliminar los procedimientos de biopsia y requiere un tratamiento antiviral del VHC con una certeza mayor que 90%. Por otra parte, el otro algoritmo (ANN- AF) también está incluido en esta aplicación web, el cual también podría ser útil para el manejo clínico de los pacientes. En este caso, la ANN-AF predijo la ausencia de fibrosis avanzada mejor que la presencia de fibrosis avanzada.

Este estudio tiene varias limitaciones que deben tenerse en cuenta para la correcta interpretación de los datos: a) Un bajo número de pacientes: El ANN-SF fue construido con 10 variables y cada grupo debe tener 100 pacientes para evitar el riesgo de sobreajuste de los datos. Esto no se consiguió plenamente para las validaciones de ejemplos de entrenamiento (71 de 217 pacientes). Sin embargo, el modelo fue confirmado en el grupo de prueba (145 casos). b) La extrapolación de los datos: Este estudio se limitó a los pacientes con la función inmunitaria bien preservada (>200 CD4+/mm3) y la extrapolación a las personas con inmunosupresión más marcada será necesario en futuros estudios. c) El ANN-SF se construyó a partir de nuestra cohorte y se obtuvo un rendimiento alto, mientras que los otros índices probados ( APRI , FIB- 4 y el índice de Forns ) no fueron optimizadas en nuestra cohorte y sería de esperar que tuvieran menor rendimiento. d ) Algunos datos importantes de laboratorio no se utilizaron para construir la red neuronal, por ejemplo albúmina, porcentaje de proteínas totales, nitrógeno o la creatinina sérica y el sodio sérico aunque podrían haber contribuido a mejorar la ANN; pero estas variables no estaban disponibles en un alto porcentaje de los pacientes. e) No podemos dar la información exacta respecto a la longitud de la biopsia o espacios porta; sin embargo, sólo encontramos un 1,68% de las biopsias defectuosos para el diagnóstico patológico y estos casos fueron excluidos de este estudio.

En resumen, hemos presentado pruebas de que la ANN-SF predijo con exactitud la fibrosis significativa (F?2) y superó a otros índices no invasivos simples en pacientes coinfectados con VIH/VHC. Nuestros datos sugieren que el ANN-SF es una herramienta útil para guiar las decisiones terapéuticas en la práctica clínica de la coinfección por VIH / VHC.

 

REFERENCIAS

1. Graham CS, Baden LR, Yu E, Mrus JM, Carnie J, Heeren T, et al. Influence of human immunodeficiency virus infection on the course of hepatitis C virus infection: a meta-analysis. Clin Infect Dis. 2001;33(4):562-9.

2. Soto B, Sanchez-Quijano A, Rodrigo L, del Olmo JA, Garcia-Bengoechea M, Hernandez-Quero J, et al. Human immunodeficiency virus infection modifies the natural history of chronic parenterally-acquired hepatitis C with an unusually rapid progression to cirrhosis. J Hepatol. 1997;26(1):1-5.

3. Alberti A, Clumeck N, Collins S, Gerlich W, Lundgren J, Palù G, et al. Short statement of the first european consensus conference on the treatment of chronic hepatitis b and c in HIV co-infected patients. Journal of Hepatology. 2005;42(5):615-24.

4. Dienstag JL. The role of liver biopsy in chronic hepatitis C. Hepatology. 2002;36(5 Suppl 1):S152-60.

5. Manning DS, Afdhal NH. Diagnosis and quantitation of fibrosis. Gastroenterology. 2008;134(6):1670-81.

6. Berenguer J, Bellon JM, Miralles P, Alvarez E, Sanchez-Conde M, Cosin J, et al. Identification of liver fibrosis in HIV/HCV-coinfected patients using a simple predictive model based on routine laboratory data. J Viral Hepat. 2007;14(12):859-69.

7. Wai CT, Greenson JK, Fontana RJ, Kalbfleisch JD, Marrero JA, Conjeevaram HS, et al. A simple noninvasive index can predict both significant fibrosis and cirrhosis in patients with chronic hepatitis C. Hepatology. 2003;38(2):518-26. Epub 2003/07/29.

8. Sterling RK, Lissen E, Clumeck N, Sola R, Correa MC, Montaner J, et al. Development of a simple noninvasive index to predict significant fibrosis in patients with HIV/HCV coinfection. Hepatology. 2006;43(6):1317-25.

9. Forns X, Ampurdanes S, Llovet JM, Aponte J, Quinto L, Martinez-Bauer E, et al. Identification of chronic hepatitis C patients without hepatic fibrosis by a simple predictive model. Hepatology. 2002;36(4 Pt 1):986-92.

10. Cacoub P, Carrat F, Bedossa P, Lambert J, Penaranda G, Perronne C, et al. Comparison of non-invasive liver fibrosis biomarkers in HIV/HCV co-infected patients: the fibrovic study–ANRS HC02. J Hepatol. 2008;48(5):765-73.

11. Friedman SL. Liver fibrosis — from bench to bedside. J Hepatol. 2003;38 Suppl 1:S38-53.

12. Baxt WG. Application of artificial neural networks to clinical medicine. Lancet. 1995;346(8983):1135-8. Epub 1995/10/28.

13. Krogh A. What are artificial neural networks? Nat Biotechnol. 2008;26(2):195-7. Epub 2008/02/09.

14. Jacobs WH, Goldberg SB. Statement on outpatient percutaneous liver biopsy. Dig Dis Sci. 1989;34(3):322-3.

15. Bedossa P, Poynard T. An algorithm for the grading of activity in chronic hepatitis C. The METAVIR Cooperative Study Group. Hepatology. 1996;24(2):289-93.

16. Calvaruso V, Maimone S, Gatt A, Tuddenham E, Thursz M, Pinzani M, et al. Coagulation and fibrosis in chronic liver disease. Gut. 2008;57(12):1722-7. Epub 2008/11/22.

17. Howes P, Crook N. Using input parameter influences to support the decisions of feedforward neural networks. Neurocomputing. 1999;24(1-3):191-206.

18. DeLong ER, DeLong DM, Clarke-Pearson DL. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics. 1988;44(3):837-45.

19. Song HH. Analysis of correlated ROC areas in diagnostic testing. Biometrics. 1997;53(1):370-82.

20. Forns X, Ampurdanes S, Sanchez-Tapias JM, Guilera M, Sans M, Sanchez-Fueyo A, et al. Long-term follow-up of chronic hepatitis C in patients diagnosed at a tertiary-care center. J Hepatol. 2001;35(2):265-71.

21. Glas AS, Lijmer JG, Prins MH, Bonsel GJ, Bossuyt PM. The diagnostic odds ratio: a single indicator of test performance. J Clin Epidemiol. 2003;56(11):1129-35.

22. Almeida JS. Predictive non-linear modeling of complex data by artificial neural networks. Curr Opin Biotechnol. 2002;13(1):72-6. Epub 2002/02/19.

23. Trang T, Petersen JR, Snyder N. Non-invasive markers of hepatic fibrosis in patients co-infected with HCV and HIV: comparison of the APRI and FIB-4 index. Clin Chim Acta. 2008;397(1-2):51-4.

24. Macias J, Giron-Gonzalez JA, Gonzalez-Serrano M, Merino D, Cano P, Mira JA, et al. Prediction of liver fibrosis in human immunodeficiency virus/hepatitis C virus coinfected patients by simple non-invasive indexes. Gut. 2006;55(3):409-14.

25. Loko MA, Castera L, Dabis F, Le Bail B, Winnock M, Coureau G, et al. Validation and comparison of simple noninvasive indexes for predicting liver fibrosis in HIV-HCV-coinfected patients: ANRS CO3 Aquitaine cohort. Am J Gastroenterol. 2008;103(8):1973-80.

26. Tural C, Tor J, Sanvisens A, Perez-Alvarez N, Martinez E, Ojanguren I, et al. Accuracy of Simple Biochemical Tests in Identifying Liver Fibrosis in Patients Co-Infected With Human Immunodeficiency Virus and Hepatitis C Virus. Clin Gastroenterol Hepatol. 2008;7(1):339-45.

27. Afdhal NH, Nunes D. Evaluation of liver fibrosis: a concise review. Am J Gastroenterol. 2004;99(6):1160-74.

28. Macias J, Gonzalez J, Ortega E, Tural C, Cabrero E, Burgos A, et al. Use of simple noninvasive biomarkers to predict liver fibrosis in HIV/HCV coinfection in routine clinical practice. HIV Med. 2010:In press. Epub 2010/02/26.

29. Tural C, Tor J, Sanvisens A, Perez-Alvarez N, Martinez E, Ojanguren I, et al. Accuracy of simple biochemical tests in identifying liver fibrosis in patients co-infected with human immunodeficiency virus and hepatitis C virus. Clin Gastroenterol Hepatol. 2009;7(3):339-45. Epub 2009/01/28.

30. Kontorinis N, Dieterich D. Hepatotoxicity of antiretroviral therapy. AIDS Rev. 2003;5(1):36-43.

31. Bonacini M. Liver injury during highly active antiretroviral therapy: the effect of hepatitis C coinfection. Clin Infect Dis. 2004;38 Suppl 2:S104-8.

32. Cole JL, Marzec UM, Gunthel CJ, Karpatkin S, Worford L, Sundell IB, et al. Ineffective platelet production in thrombocytopenic human immunodeficiency virus-infected patients. Blood. 1998;91(9):3239-46.

33. Moreno S, Garcia-Samaniego J, Moreno A, Ortega E, Pineda JA, del Romero J, et al. Noninvasive diagnosis of liver fibrosis in patients with HIV infection and HCV/HBV co-infection. J Viral Hepat. 2009;16(4):249-58.

34. Sanchez-Conde M, Montes-Ramirez ML, Miralles P, Castro Alvarez JM, Bellon JM, Ramirez M, et al. Comparison of transient elastography and liver biopsy for the assessment of liver fibrosis in HIV/hepatitis C virus-coinfected patients and correlation with noninvasive serum markers. J Viral Hepat. 2009.

35. de Ledinghen V, Douvin C, Kettaneh A, Ziol M, Roulot D, Marcellin P, et al. Diagnosis of Hepatic Fibrosis and Cirrhosis by Transient Elastography in HIV/Hepatitis C Virus-Coinfected Patients. J Acquir Immune Defic Syndr. 2006;41(2):175-9.