Pular para o conteúdo
Alpha Doctor

IA em medicina de precisão e genômica

A composição do microbioma intestinal difere entre crianças obesas com MASLD, MASH e controles saudáveis, e pode ser usada como biomarcador fecal?

Resposta curta: Sim. A meta-análise mostra que o microbioma de crianças obesas com MASLD ou MASH difere significativamente de obesos sem doença e de controles saudáveis, com alterações associadas à progressão da fibrose. Modelos de aprendizado de máquina baseados na abundância de espécies e vias predizem MASLD sobre obesidade e MASH sobre MASLD com boa acurácia, sugerindo potencial como biomarcador fecal.

Resposta

A meta-análise reuniu nove estudos e uma coorte adicional para analisar o microbioma intestinal de crianças obesas com e sem MASLD ou MASH, além de controles saudáveis, utilizando sequenciamento metagenômico shotgun. Os resultados demonstram que a composição do microbioma se altera progressivamente com a progressão da doença hepática, desde a obesidade até o MASH.

Foram identificadas diferenças significativas na diversidade alfa e beta entre os grupos MASLD (n=153), MASH (n=70), obesos (n=58) e saudáveis (n=132). Espécies como Faecalibacterium prausnitzii e Prevotella copri apresentaram abundância diferencial entre os grupos, e o aumento de Prevotella copri foi associado ao aumento da fibrose hepática.

Modelos de aprendizado de máquina (XGBoost e random forest) baseados na abundância de espécies discriminaram MASLD de obesidade com AUROC de 87% e MASH de MASLD com 89%. Modelos baseados na abundância de vias metabólicas também mostraram boa performance (AUROC de 81% e 88%, respectivamente).

Além disso, modelos de aprendizado de máquina distinguiram MASH pediátrico de adulto com AUROC de 97%, indicando que as assinaturas microbianas diferem entre faixas etárias. Os achados sugerem que o microbioma intestinal pode ser utilizado como biomarcador fecal e destacam o impacto da dieta na modulação do microbioma para intervenção na doença.

O que o estudo mostrou

Meta-análise de nove estudos e uma coorte adicional com sequenciamento shotgun do microbioma intestinal de crianças obesas com MASLD (n=153), MASH (n=70), obesos sem doença (n=58) e controles saudáveis (n=132). Houve diferenças significativas na diversidade alfa e beta entre os grupos. Espécies como Faecalibacterium prausnitzii e Prevotella copri mostraram abundância diferencial. Modelos de aprendizado de máquina predisseram MASLD sobre obesidade (AUROC 87%) e MASH sobre MASLD (89%) com base em espécies, e com base em vias metabólicas (AUROC 81% e 88%). O aumento de Prevotella copri associou-se à fibrose hepática (p=0,0082). Modelos discriminaram MASH pediátrico de adulto (AUROC 97%).

Limitações

O resumo não informa detalhes sobre o desenho dos estudos incluídos, critérios de seleção, heterogeneidade entre as coortes ou possíveis vieses. Também não são descritas as características clínicas e demográficas das amostras, nem se os modelos de aprendizado de máquina foram validados externamente. A natureza observacional dos estudos impede inferir causalidade entre as alterações do microbioma e a progressão da doença hepática.

Aplicação no consultório

Os achados reforçam a importância de considerar o microbioma intestinal na avaliação de crianças obesas com doença hepática gordurosa, podendo no futuro auxiliar na estratificação de risco e no monitoramento da progressão para MASH. Para a gestão do consultório, isso implica em maior atenção à história alimentar e possibilidade de incorporar, quando disponíveis, testes microbianos fecais como ferramentas complementares. No entanto, a aplicação clínica rotineira ainda depende de validação prospectiva e padronização dos métodos. O médico pode utilizar essas informações para orientar aconselhamento dietético e acompanhamento mais próximo de pacientes pediátricos obesos com MASLD.

Estudo citado

Meta-analysis of shotgun sequencing of gut microbiota in obese children with MASLD or MASH. Gut microbes, 2025.
Autores: Zöggeler T, Kavallar AM, Pollio AR, Aldrian D, Decristoforo C, Scholl-Bürgi S, Müller T, Vogel GF.
DOI: 10.1080/19490976.2025.2508951 · PubMed: PMID 40396204

Perguntas para aprofundar

Mais sobre IA em medicina de precisão e genômica

Todas as perguntas sobre IA em medicina de precisão e genômica · Todos os temas · Versão em markdown

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.