📄 medicine

No evidence for discrete biomarker-based subtypes of Parkinson’s Disease

Este estudio demuestra que la combinación de la cinética del ensayo de amplificación de semillas de α-sinucleína, la denervación dopaminérgica y la edad no logra revelar subtipos biológicos discretos de la enfermedad de Parkinson, indicando en su lugar que la condición existe a lo largo de un espectro continuo en vez de como grupos distintos.

Autores originales: Cosimo Guerra, Cristiano Sorrentino, Paolo Barone, Roberto Erro

Publicado 2026-09-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Cosimo Guerra, Cristiano Sorrentino, Paolo Barone, Roberto Erro

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La enfermedad de Parkinson es una afección que afecta la forma en que las personas se mueven, causando temblores, rigidez y lentitud. Durante décadas, los médicos y científicos han observado que la enfermedad no se presenta igual en cada persona. Algunos pacientes luchan principalmente con el movimiento, mientras que otros enfrentan problemas de memoria o trastornos del sueño desde el principio. Esta variación ha generado una esperanza de larga data: que la enfermedad podría estar compuesta en realidad por varios tipos distintos, cada uno con su propia causa biológica única. Si los investigadores pudieran identificar estos tipos separados, podrían predecir cómo progresaría la enfermedad en un paciente específico y diseñar tratamientos que se dirijan al mecanismo exacto que impulsa la enfermedad de esa persona. Para encontrar estos grupos ocultos, los científicos se han vuelto hacia los marcadores biológicos, signos mensurables dentro del cuerpo que reflejan lo que está sucediendo a nivel celular. Dos de los signos más prometedores son la presencia de cúmulos de una proteína llamada alfa-sinucleína y la pérdida de células nerviosas que producen dopamina. La idea era que, al medir estos signos, los investigadores podrían clasificar a los pacientes en categorías claras y separadas, de forma muy similar a como se clasifican diferentes especies de aves basándose en la forma de sus picos.

Un equipo de investigadores se propuso probar si esta clasificación era realmente posible. Reunieron datos de cientos de pacientes con la enfermedad de Parkinson, centrándose en aquellos que aún no habían comenzado el tratamiento. Observaron tres cosas específicas para cada persona: la velocidad con la que la proteína alfa-sinucleína se agrupa en una prueba de laboratorio, cuánta cantidad de tejido nervioso productor de dopamina permanecía en el cerebro y la edad del paciente. Los investigadores utilizaron potentes programas informáticos para buscar agrupaciones naturales en estos datos. Querían ver si los pacientes se dividían naturalmente en grupos separados, como islas distintas en un mar de datos, o si estaban distribuidos en una línea suave y continua. Para asegurar que sus métodos fueran fiables, primero comprobaron si sus herramientas podían siquiera encontrar grupos en caso de que existieran. Para ello, añadieron secretamente grupos de datos falsos en su conjunto de datos reales para ver si los programas informáticos los detectaban. Las herramientas funcionaron correctamente cuando los grupos falsos eran obvios, demostrando que el sistema era lo suficientemente sensible como para encontrar patrones reales si estuvieran allí.

Cuando los investigadores aplicaron estas mismas herramientas a los datos reales de los pacientes, los resultados fueron claros y consistentes. Los programas informáticos no encontraron ningún grupo separado. En lugar de encontrar islas distintas, los datos formaron un espectro único y continuo. Los pacientes variaban entre sí, pero no se dividían en categorías separadas. Incluso cuando los investigadores intentaron diferentes formas de observar los datos, cambiando las variables o ajustando las diferencias técnicas en la ejecución de las pruebas, el resultado fue el mismo. Las medidas estadísticas que habitualmente señalan la presencia de grupos distintos permanecieron en silencio. De hecho, los investigadores descubrieron que algunos de los métodos estándar utilizados en estudios previos para afirmar que habían encontrado subtipos eran probablemente engañosos. Estos métodos a veces pueden crear la ilusión de grupos simplemente cortando una línea suave en trozos, incluso cuando no existen rupturas naturales. El estudio demostró que las diferencias entre los pacientes eran reales, pero se trataba de variaciones a lo largo de una sola escala en lugar de evidencia de tipos de enfermedades fundamentalmente diferentes.

Los investigadores también analizaron si estos signos biológicos podían predecir cómo cambiaría la enfermedad con el tiempo. Realizaron un seguimiento de los pacientes durante varios años para ver si la velocidad de agrupación de las proteínas o la cantidad de pérdida de nervios podía pronosticar quién empeoraría más rápido. La conexión entre estos signos biológicos y el declive futuro fue débil e inconsistente. En algunos casos, los datos sugerían un vínculo, pero estos vínculos desaparecían cuando los investigadores daban cuenta de otros factores o cuando observaban a un grupo diferente de pacientes. Un hallazgo interesante involucró la relación entre las pruebas de proteínas y otros fluidos en el cuerpo. Los investigadores notaron que los resultados de las pruebas parecían estar influenciados por un factor general relacionado con los niveles totales de proteínas del cuerpo, en lugar de un proceso de la enfermedad específico. Esto sugirió que algunas de las variaciones observadas en las pruebas podrían deberse a factores técnicos o condiciones generales de salud, en lugar de subtipos biológicos distintos de Parkinson.

El estudio concluye que, basándose en la evidencia actual y en los marcadores biológicos específicos examinados, la enfermedad de Parkinson no parece consistir en subtipos discretos y separados. La variación observada en los pacientes se entiende mejor como un rango continuo de gravedad y progresión, en lugar de una colección de enfermedades diferentes. Esto no significa que todos los pacientes sean iguales; significa que las diferencias entre ellos son graduales. La esperanza de que podamos clasificar a los pacientes en cajas ordenadas y separadas para guiar el tratamiento no fue respaldada por estos datos. En cambio, los hallazgos sugieren que la enfermedad es una condición compleja y fluida donde los límites entre las diferentes presentaciones están difuminados. Aunque esto pueda parecer un retroceso para el objetivo de la categorización precisa, proporciona una imagen más exacta de la naturaleza de la enfermedad. Indica a los científicos que deben buscar patrones en el flujo continuo de los datos en lugar de buscar grupos distintos que tal vez no existan. El trabajo destaca la importancia de comprobar si los datos realmente apoyan la idea de grupos separados antes de asumir que están ahí, un paso que muchos estudios previos podrían haber omitido. En última instancia, el estudio sugiere que el futuro de la comprensión del Parkinson reside en mapear el espectro completo de la enfermedad, en lugar de intentar dividirla en partes que no existen de forma natural.

Resumen Técnico: Ausencia de evidencia de subtipos discretos basados en biomarcadores de la enfermedad de Parkinson

Planteamiento del problema
La heterogeneidad clínica de la enfermedad de Parkinson (EP) ha impulsado durante mucho tiempo la investigación para identificar subtipos biológicos discretos, con el objetivo de permitir el pronóstico, la estratificación de pacientes y terapias neuroprotectoras dirigidas. Si bien el análisis de agrupamiento (clustering) basado en datos ha generado numerosos soluciones de subtipos basadas en características clínicas, estas han sufrido mayoritariamente de deficiencias metodológicas, falta de reproducibilidad y una relevancia biológica desconocida. Una hipótesis prevalente sugiere que la definición de subtipos utilizando biomarcadores biológicos centrales —específicamente la patología de $\alpha$ -sinucleína in vivo y la denervación dopaminérgica— podría revelar entidades distintas y homogéneas. Sin embargo, existe una brecha metodológica crítica: estudios previos suelen aplicar algoritmos de partición sin verificar primero si los datos subyacentes poseen una estructura de agrupación genuina o si simplemente reflejan un espectro continuo. Este estudio aborda si la combinación de la cinética de la prueba de amplificación de semillas (SAA) de $\alpha$ -sinucleína, la denervación dopaminérgica (mediante imagen DAT) y la edad delinea subtipos biológicos discretos o variaciones de un continuo.

Metodología
Este análisis observacional secundario utilizó datos de la Iniciativa de Medicina de Precisión para el Parkinson (PPMI), comprendiendo una cohorte primaria ( $n=595$ ) que utilizó un protocolo de SAA de 24 horas y una cohorte de replicación interna ( $n=333$ ) que utilizó un protocolo de 150 horas. Ambas cohortes se restringieron a pacientes con EP genéticamente negativos y SAA positivos.

El estudio empleó un marco estadístico riguroso y multietapa diseñado para probar la existencia de una estructura de agrupación a priori:

Tendencia de agrupación y estabilidad: Los autores aplicaron una batería de pruebas estadísticas para determinar si los datos se desviaban de una distribución nula de ausencia de estructura. Esto incluyó el estadístico de Hopkins, la prueba de dip de Hartigan (sobre variables, componentes principales y 1,000 proyecciones aleatorias), el estadístico gap, la fuerza de predicción, los índices de silueta y el Criterio de Información de Bayes (BIC) de mezcla gaussiana.
Calibración nula: Crucialmente, todas las métricas se compararon contra distribuciones de referencia calibradas (nulos de cópula gaussiana) generadas sin membresía de mezcla latente para distinguir la estructura genuina de los artefactos de los algoritmos de partición.
Análisis de sensibilidad (Control positivo): Para asegurar que el flujo de trabajo no fuera inherentemente insensible, se inyectaron grupos sintéticos de separación, tamaño y orientación conocidos en los conjuntos de datos reales. La frecuencia con la que los criterios señalaron una estructura significativa en respuesta a la inyección de grupos se comparó con su comportamiento sin la inyección.
Análisis longitudinales y correlacionales: El estudio examinó si la cinética de SAA predecía resultados motores, dopaminérgicos y no motores longitudinales mediante modelos lineales de efectos mixtos. Además, se investigaron las correlaciones entre los parámetros de SAA y los analitos del líquido cefalorraquídeo (LCR) para identificar posibles factores compartidos o efectos de matriz.

Resultados clave

Ausencia de estructura discreta: En ambas cohortes, las evaluaciones estadísticas revelaron que no hay evidencia de una estructura de subgrupos genuina. El estadístico gap seleccionó $k=1$ (sin grupos) en el 100% de las realizaciones nulas. La fuerza de predicción y los índices de silueta no lograron superar los umbrales convencionales ni distinguirse de sus distribuciones nulas. Aunque el estadístico de Hopkins mostró una desviación pequeña pero significativa de la nulidad en ambas cohortes, esto no fue respaldado por ninguna métrica que midiera la reproducibilidad o estabilidad de la partición.
Robustez de los hallazgos nulos: El resultado nulo persistió a través de tres ponderaciones alternativas de variables, la eliminación de sujetos superpuestos y la exclusión de parámetros colineales. En un análisis de control positivo, el flujo de trabajo detectó con éxito una estructura de dos grupos conocida cuando se utilizó el estado de SAA (positivo/negativo) como entrada, confirmando la sensibilidad del método ante contrastes gruesos. Sin embargo, al aplicarse a dimensiones biomarcadoras continuas, no se encontró estructura.
Particiones impuestas: La imposición artificial de particiones de dos o tres grupos en los datos continuos produjo diferencias entre grupos en variables externas. Sin embargo, estas diferencias fueron en gran medida derivadas matemáticas de las variables de construcción (por ejemplo, la unión estriatal media) o modestas, lo que sugiere que el seccionamiento de un gradiente continuo crea inevitablemente diferencias de grupo artificiales que no reflejan entidades biológicas discretas.
Predicciones longitudinales: La cinética de SAA no predijo consistentemente la progresión motora o no motora longitudinal. Aunque se encontraron algunas asociaciones nominales entre los parámetros de amplitud y el declive de la unión a DAT, estas fueron inconsistentes entre cohortes y a menudo perdieron significancia tras ajustar por confundidores técnicos (ensayo, centro). No se encontraron interacciones significativas para los resultados no motores tras la corrección por pruebas múltiples.
Correlatos del LCR: Los parámetros cinéticos de SAA se correlacionaron positivamente con múltiples analitos no relacionados del LCR (incluyendo tau total y A $\beta$ 42) que se movían en la misma dirección, un patrón incompatible con firmas patológicas distintas. Estas correlaciones desaparecieron tras ajustar por un componente compartido dominante. Además, la albúmina del LCR (un marcador de la permeabilidad de la barrera hematoencefálica) se asoció independientemente con los parámetros cinéticos, sugiriendo un posible efecto de matriz en lugar de un proceso biológico específico.

Significancia y afirmaciones
El artículo afirma que los biomarcadores que definen la EP (la cinética de SAA de $\alpha$ -syn y la denervación dopaminérgica) se alinean a lo largo de un continuo en lugar de mostrar las estructuras de agrupación discretas características de subtipos biológicos distintos. Los autores argumentan que sus hallazgos resaltan una distinción metodológica crucial: la reproducibilidad de los límites no equivale a una verdadera separación de grupos. Una línea divisoria puede ser altamente reproducible simplemente porque la distribución continua subyacente tiene una forma estable y alargada, no porque existan subtipos discretos.

El estudio postula que la cinética de SAA puede funcionar principalmente como un marcador cualitativo y categórico del estado patológico (presencia/ausencia de semillas capaces de agregación) en lugar de un marcador cuantitativo de severidad. La variación continua observada puede reflejar el ruido de medición y la variabilidad bioquímica alrededor de un estado fundamentalmente binario.

Los autores enfatizan que su principal contribución es la rigurosidad metodológica: verificar si los datos respaldan una estructura de grupo discreta antes de asumir su existencia. Demuestran que las métricas de agrupación comunes pueden ser informativas, cruzando los umbrales de significancia incluso en ausencia de una estructura inyectada. Si bien el estudio es modesto en su alcance —reconociendo que no puede descartar subtipos más pequeños, oscurecidos por el ruido o específicos de un eje—, concluye que, dentro del espacio de variables definido por estos anclajes biológicos centrales, no hay evidencia que respalde la existencia de subtipos discretos de la enfermedad de Parkinson impulsados por biomarcadores.

Más como este