Objetivos: Elaborar un algoritmo pronóstico para identificar a pacientes con esclerosis múltiple (EM) que vayan a presentar progresión independiente de brotes (PIRA), utilizando aprendizaje automático supervisado aplicado a resonancia magnética (RM) cerebral, tomografía de coherencia óptica (OCT) y biomarcadores séricos.

Material y métodos: Se analizaron datos de 131 pacientes (72% mujeres, mediana de edad: 41,5 años, EDSS basal: 1,5; duración de la enfermedad: 6,8 años y fenotipo remitente-recurrente en el 90%), basales y a los 24 meses. La presencia de PIRA se determinó a lo largo de 9,2 años de seguimiento. Las RM basales cuantificaron el volumen cortical y sustancia gris profunda. También se analizaron nuevas lesiones, cambio porcentual de volumen cerebral (PBVC) y lesiones de expansión lenta (SELs). Se analizó el grosor basal de la capa de células ganglionares/plexiforme interna (GCIPL) y la capa de fibras nerviosas retinianas (pRNFL), y los niveles séricos de proteína ácida fibrilar glial (GFAP) y cadena ligera de neurofilamentos (NfL). Se aplicó regresión logística y pruebas de permutación.

Resultados: La mayor precisión en la clasificación de PIRA se observó con el modelo que integró RM-OCT-suero (AUC: 0,77 ± 0,13) y el modelo de RM que incluía SELs, PBVC y nuevas lesiones (AUC: 0,79 ± 0,10), superior a los modelos de RM-OCT o RM basal (p < 0,001). El PBVC, la GFAP sérica y las SELs fueron los predictores más influyentes de PIRA.

Conclusión: Los modelos que integran marcadores de RM relacionados con inflamación crónica activa, y los de RM-OCT-suero, ofrecen una discriminación de la progresión superior a los modelos basados en marcadores de RM basal.