Análisis multivariante y biomarcadores

El análisis multivariante de biomarcadores es necesario cuando la información diagnóstica o pronóstica no está en un marcador aislado, sino en la combinación de varios. Aplica cuando se dispone de un conjunto amplio de variables clínicas, de laboratorio o moleculares y se busca el panel que discrimina, pronostica o predice respuesta mejor que cualquier marcador por separado. Un contraste marcador a marcador ignora la correlación entre variables y la interacción entre ellas, aumenta el riesgo de hallazgos espurios por comparaciones múltiples y no estima el rendimiento combinado del panel. El servicio identifica esa combinación informativa controlando el sobreajuste y mide su rendimiento real, no el aparente sobre el conjunto donde se descubrió.

Se necesita una matriz de variables candidatas (clínicas, de laboratorio o moleculares) medidas sobre una cohorte con el desenlace de interés bien definido. El cliente mide y recoge los marcadores; el servicio los identifica, valida e interpreta. Lo ideal es disponer de un volumen muestral suficiente para separar un conjunto de descubrimiento de uno de validación, o al menos para una validación cruzada honesta. No es imprescindible que la base llegue completamente depurada: se revisan datos faltantes, coherencia básica y calidad de las mediciones antes de seleccionar variables. Si la base requiere una auditoría estructural completa, conviene plantear una fase previa de calidad de datos. Lo que sí condiciona el alcance es el desequilibrio entre número de variables y número de muestras, que se aborda explícitamente.

No lo invalida, pero define el método. Cuando hay muchas más variables candidatas que muestras, casi cualquier combinación parece predictiva por azar, y ese es el escenario donde más fácilmente se genera un hallazgo falso. El servicio puede aplicar, según el diseño y el tamaño muestral, selección de variables con control de sobreajuste, como Boruta, eliminación recursiva de variables (RFE) o regularización LASSO, y, cuando procede, reducción de dimensionalidad (PCA) o modelos discriminantes regularizados, para identificar el subconjunto informativo. La clave no es solo seleccionar, sino validar esa selección: se evalúa la estabilidad del panel ante remuestreo, de modo que las variables elegidas no dependan del reparto concreto de los datos. El límite honesto: con muy pocas muestras, el resultado es generador de hipótesis, no confirmatorio.

El rendimiento se mide combinando discriminación y calibración, no con un único estadístico. La discriminación, es decir, la capacidad de separar clases, se cuantifica con la curva ROC y el área bajo la curva (AUC), junto con sensibilidad, especificidad, valores predictivos y razones de verosimilitud. Pero un AUC alto no garantiza que las probabilidades predichas sean fiables: por eso se evalúa también la calibración, es decir, si un riesgo estimado del 30 % corresponde a una frecuencia observada cercana al 30 %. Un modelo bien discriminante pero mal calibrado puede inducir decisiones de manejo equivocadas. Los puntos de corte se fijan con criterio clínico, no maximizando un estadístico. El coste de un falso negativo rara vez iguala al de un falso positivo.

No se puede garantizar que un panel mantenga exactamente su rendimiento en una cohorte externa; lo que sí puede hacerse es reducir el optimismo del modelo separando descubrimiento y validación desde el inicio, y no dejando que el conjunto de validación contamine ninguna decisión del modelo. La mayoría de los paneles que fallan lo hacen porque se ajustaron tan bien al conjunto donde se descubrieron que no generalizan: el rendimiento publicado es el del propio conjunto de entrenamiento. El servicio trabaja con validación cruzada honesta (la selección de variables ocurre dentro de cada pliegue, no antes) y, cuando hay datos para ello, con validación externa sobre una cohorte independiente. La distinción es deliberada: validación cruzada estima la generalización dentro de la misma población; validación externa la comprueba en otra. Sin esa separación, el rendimiento reportado suele ser optimista y no puede interpretarse como evidencia sólida de generalización.

Se entrega un resultado interpretable, no una caja negra. Un modelo predictivo difícil de interpretar tiene más barreras para adoptarse en investigación clínica y para defenderse ante revisores. Por eso, además del rendimiento, se aporta la lectura de cómo contribuye cada variable a la predicción mediante técnicas de explicabilidad como SHAP, que descomponen el peso de cada marcador en cada caso. A esto se suma la interpretación biológica del hallazgo: qué hipótesis biológica puede sugerir que una citoquina, un parámetro inmunológico o un metabolito tenga peso en el modelo, apoyada en formación en bioquímica clínica e inmunología. Esa lectura mecanística es lo que ayuda a separar un marcador con sentido biológico de una correlación espuria que pasó el filtro estadístico por azar.

El análisis multivariante y de biomarcadores se utiliza cuando se parte de un conjunto acotado de variables candidatas, como clínicas, de laboratorio o un panel molecular dirigido, y el objetivo es identificar y validar la combinación con rendimiento diagnóstico o pronóstico. La bioinformática y el análisis de datos ómicos encajan cuando el punto de partida es un experimento de alto rendimiento (transcriptómica, proteómica, metabolómica) con decenas de miles de variables y necesidades específicas de procesado, normalización y control de falsos descubrimientos a esa escala. Pueden combinarse en un mismo proyecto, por ejemplo un cribado ómico que alimenta un panel reducido que después se valida, pero no responden a la misma pregunta: las ómicas exploran el espacio completo; el análisis de biomarcadores valida metodológicamente un panel candidato para investigación, publicación o toma de decisiones clínicas preliminares.

No. El servicio cubre la identificación, la validación metodológica y la caracterización del rendimiento diagnóstico de un biomarcador o panel: discriminación, calibración, robustez y validación externa. Eso es evidencia científica trazable y reproducible. No incluye la validación analítica y clínica formal requerida para la aprobación de una prueba diagnóstica por una agencia reguladora, que es un proceso regulatorio con su propio marco y fuera del alcance de ADI. La frontera es clara: el servicio produce la evidencia metodológica que respalda un biomarcador y que sostiene una publicación o una decisión de investigación; no emite ni gestiona la conformidad regulatoria de un producto diagnóstico. Quien necesite esto último puede encontrar aquí una base metodológica de evidencia, pero no la validación regulatoria ni la gestión del procedimiento.