Introducción
La epidermis tiene una película grasa con microorganismos en equilibrio que conforma la barrera microbiana de la piel. El objetivo fue determinar las características de la barrera cutánea(BC), producción de sebo y predisposición a la pigmentación, mediante la identificación y cuantificación de microorganismos claves y la utilización de machine learning(ML).
Metodología
Estudio de cohorte de 121 voluntarios mayores 18años(agosto 2023-marzo2024). Se analizó presencia y abundancia de 48 microorganismos claves de la piel por qPCR (panel Bio-Me). El ADN se extrajo con el kit PureLink de Thermo Fisher. Se emplearon modelos de ML basados en el algoritmo Random Forest(RF) para crear modelos de entrenamiento, cuyo rendimiento se estimó mediante validación cruzada (k=3).La precisión de clasificación varió entre 75%-83%.Se analizaron propiedades dermatológicas (producción de sebo, cantidad de poros y manchas) para entrenar el algoritmo.Se definió el índice general de la piel (IGSP) a partir de la calidad del microbioma, su diversidad y BC, que se calculó como la suma de la proporción relativa de C.acnes, S.hominis, S.capitis y S.epidermidis. El IGSP varía entre 10 y 100. Los resultados se estratificaron por grupos de edad. La BC varió de 1-10, considerándose saludable a partir de 4.
Resultados
Se evaluaron 121 individuos(r:18-79 años), 80% mujeres.El promedio IGSP por grupo etáreo fue: 18-30a: 41.28(r:15.93/82.98); 31- 40a: 36.72(r:10.36/54.29); 41-50a: 37.53 (r:14.11/61.84); 51-60a: 41.66 (r:22.58/78.91); > 60a: 63.57(r:34.40/87.95).En el 68.57%, la BC se consideró saludable. Se identificaron 14 biomarcadores para los niveles de pigmentación y sebo (Streptococcus spp., C. acnes, C. acnes KPA171202, Malassezia restricta, S. hominis, S. mitis, Moraxella osloensis, S. warneri, Corynebacterium spp., S. capitis, Cutibacterium granulosum, Cutibacterium namnetense, Malassezia arunalokei, Streptococcus thermophilus). El algoritmo tuvo un valor predictivo de avg AUC=0.83 (avg ROCSD=0.05) para detección de pigmentación y un avg AUC=0.76 (avg ROCSD=0.06) para detección de grasa.El 53% tenían niveles de sebo adecuados y 36% tenían tendencia a la pigmentación.
Conclusiones
El IGSP mide la salud de la piel y su estratificación por edad revela variaciones en la condición cutánea. Los modelos de MLbasados en RF identificaron eficazmente los niveles de pigmentación y grasa. Estos hallazgos sugieren que los algoritmos pueden predecir y clasificar condiciones de la piel según el microbioma cutáneo.
