Capilaroscopía In Silico; una herramienta de investigación del Sistema ATDM, para el Modelado Preventivo – Predictivo Capilaroscópico (MPPC)
DOI:
https://doi.org/10.64784/293Palabras clave:
Capilaroscopía in silico; Modelado Preventivo-Predictivo Capilaroscópico; MPPC; inteligencia artificial; Big Data; Sistema ATDM; modelado mecanicista; Biosemiómica Clínica Aplicada; medicina predictiva; medicina preventiva.Resumen
La investigación in silico, la inteligencia artificial (IA) y el Big Data ofrecen nuevas posibilidades para transformar imágenes biomédicas en modelos cuantitativos, mecanicistas y predictivos. Objetivo: Desarrollar una propuesta metodológica denominada Modelado Preventivo-Predictivo Capilaroscópico (MPPC), orientada a incorporar la Capilaroscopía in silico como herramienta de investigación mediante su integración con la metodología iterativa y la Plataforma Big Data del Sistema ATDM. Metodología: Se diseñó un estudio observacional, analítico, longitudinal, propositivo y computacional, estructurado en cuatro fases. La Fase 1 comprende adquisición estandarizada, preprocesamiento, segmentación, fenotipado cuantitativo y clasificación de patrones capilaroscópicos. La Fase 2 integra estos fenotipos con información clínica, metabólica, demográfica, ambiental y longitudinal disponible en la Plataforma Big Data ATDM para realizar análisis estadístico y casuístico. La Fase 3 incorpora IA, análisis de asociaciones, modelado mecanicista híbrido, perturbaciones in silico, simulaciones contrafactuales, modelado longitudinal-predictivo y cuantificación de incertidumbre para generar representaciones capilaroscópicas virtuales científicamente trazables. La Fase 4 propone validación externa y prospectiva mediante comparación entre imágenes y trayectorias predichas y aquellas posteriormente observadas. Resultados: Se estableció operacionalmente la Capilaroscopía in silico como una representación computacional derivada de imágenes reales, modificada mediante parámetros cuantitativos, información multimodal y reglas mecanicistas para investigar estados hipotéticos o futuros. Conclusión: El MPPC propone una transición metodológica desde la observación capilaroscópica hacia un fenotipo digital dinámico integrado con Big Data e IA. Su incorporación a la Biosemiómica Clínica Aplicada podría constituir una estrategia de investigación preventiva-predictiva, cuya utilidad clínica deberá demostrarse mediante validación prospectiva, reproducibilidad y generalización.
Referencias
1. Abuadili Garza V.A. (2025)a. Entendiendo las Diez Causas que Originan Todas las Enfermedades. (2025). IECCMEXICO, 3(1). https://doi.org/10.64784/080
2. Abuadili Garza , V. A. (2025)b. Capilaroscopía, una nueva manera de entender la Salud humana. Ciencia Latina Revista Científica Multidisciplinar, 9(4), 11474-11517. https://doi.org/10.37811/cl_rcm.v9i4.19752
3. Abuadili Garza, V. A. (2025)c. Capilaroscopía, La Herramienta Diagnóstica De Una Nueva Medicina Individualizada Basada En Evidencias. Sapiens in Medicine Journal, 3(3), 1-28. https://doi.org/10.71068/gp4gja29
4. Abuadili Garza, V.A. (2025)d. Metodología Iterativa del Sistema de Aplicación de Técnicas para el Diagnóstico Metabólico (Sistema ATDM). Atlas Research Journal, 3(1), 67-96. https://doi.org/10.65305/arj.v3n1.2025.32
5. Abuadili Garza, V. A. (2025)e. Prevalencia de Patrones de Valoración Metabólica del Sistema ATDM, relacionados con el Síndrome Metabólico, Perspectiva desde las Causas de las Enfermedades. Horizon International Journal, 3(2), 197–226. https://doi.org/10.63380/hij.v3n2.2025.168
6. Abuadili Garza, V. A. (2025)f. Acción y efecto del desbalance redox, visto en tiempo real por Capilaroscopía. Ethos Scientific Journal, 3(2), 231–258. https://doi.org/10.63380/esj.v3n2.2025.198
7. Abuadili Garza, V. A. (2025)g. Capilaroscopía, una nueva manera de entender el metabolismo; diagnóstico en tiempo real, de la Reacción de Maillard y su implicación en la resistencia a la insulina y a la leptina. Revista Científica De Salud Y Desarrollo Humano , 6(3), 884–923. https://doi.org/10.61368/r.s.d.h.v6i3.819
8. Abuadili Garza, V. A. (2025)h. Homeostasis de la Lipoconveniencia. Identificación de la Lipogénesis de Novo NO Enzimática mediante Capilaroscopía. Impact Research Journal, 3(2), 238–260. https://doi.org/10.63380/irj.v3n2.2025.195
9. Abuadili Garza, V. A. (2025)i. Determinación de severidad y cronicidad de la lipogénesis de Novo NO enzimática mediante Capilaroscopía. Nexus Research Journal, 4(2), 218–244. https://doi.org/10.62943/nrj.v4n2.2025.379
10. Abuadili Garza, V.A. (2025)j. Biosemiómica Clínica Aplicada; Una Nueva Metodología de Investigación que Revoluciona la Medicina Actual. Journal of Multidisciplinary Novel Journeys & Explorations. Vol 3,No 1 https://doi.org/10.63688/faryz258
11. Abuadili Garza V.A. (2025)k. Biosemiomics, the New Research Technique from the Cause-Effect Perspective. International Science Journal, 2(2). https://doi.org/10.65784/068
12. Abuadili Garza, V. A. (2025)l. Definición / Herramienta / Metodología de la Biosemiómica y el Sistema ATDM como la Nueva forma de Investigar la Medicina Basada en Evidencias. ASCE MAGAZINE, 4(4), 2992–3021. https://doi.org/10.70577/asce.v4i4.559
13. Abuadili Garza V.A. (2026)a. Diagnóstico Capilaroscópico de la Salud Ósea. Parte 1.- Definición Capilaroscópica Operativa. IECCMEXICO, 5(2), https://doi.org/10.64784/279
14. Abuadili Garza V.A. (2026)b. Diagnóstico Capilaroscópico de la Salud Ósea. Parte 2.- Identificación Capilaroscópica de la Densidad Ósea IECCMEXICO, 5(2),366-382. https://doi.org/10.64784/280
15. Abuadili Garza V.A. (2026)c. Diagnóstico Capilaroscópico de la Salud Ósea. Parte 3.- Estudio Capilaroscópico de la microarquitectura ósea. IECCMEXICO, 5(2),383-400 https://doi.org/10.64784/281
16. Abuadili Garza V.A. (2026)d. Diagnóstico Capilaroscópico de la Salud Ósea. Parte 4.- Identificación Capilaroscópica del Remodelado Óseo. IECCMEXICO, 5(2),401-4018. https://doi.org/10.64784/282
17. Abuadili Garza V.A. (2026)e. Diagnóstico Capilaroscópico de la Salud Ósea. Parte 5.- Identificación Capilaroscópica de la Homeostasis en la Mineralización Ósea. IECCMEXICO, 5(2). https://doi.org/10.64784/284
18. Abuadili Garza V.A. (2026)f. Diagnóstico Capilaroscópico de la Salud Ósea. Parte 6.- Clasificación Capilaroscópica de la Calidad Ósea. IECCMEXICO, 5(2). https://doi.org/10.64784/285
19. Abuadili Garza, V.A.; Sánchez Olivera, F. & Escalante Mendoza, D. (2026). Construcción heurística en la salud digital de la plataforma del sistema de aplicación de técnicas para el diagnóstico metabólico (Sistema ATDM). (2026). Revista Ingenio Global, 5(1), 51-80. https://doi.org/10.62943/rig.v5n1.2026.449
20. Alharthi, S. (2026). AI-powered in silico twins: Redefining precision medicine through simulation, personalization, and predictive healthcare. Saudi Pharmaceutical Journal, 34, 1. https://doi.org/10.1007/s44446-025-00055-x
21. Castellanos Gordillo L.R, Cruz Monrroy V. & Abuadili Garza V.A. (2026). Proyecciones Ópticas de la Capilaroscopía Metabólica. (2026). Revista Hambatu Science, 1(3). 412-431. https://doi.org/10.63862/rhs-v1n3-412-431-2026
22. Cruz Monrroy, V., García Súchil, M., Castellanos Gordillo, L.D.R. & Abuadili Garza, V.A. (2026). Estudio biosemiómico de la alteración de la homeostasis de los minerales de transición, basado en la metodología iterativa del SISTEMA ATDM.(Parte 1.- La Homeostasis de los minerales de transición). Prospherus, 3(3), 100-126. https://doi.org/10.63535/jw2q7k11
23. De Domenico, M., Allegri, L., Caldarelli, G., et al. (2025). Challenges and opportunities for digital twins in precision medicine from a complex systems perspective. npj Digital Medicine, 8, 37. https://doi.org/10.1038/s41746-024-01402-3
24. Fina, Brenda Lorena; Lombarte, Mercedes; Rigalli, Alfredo (2013) Investigación de un fenómeno natural: ¿estudios in vivo, in vitro o in silico?; Asociación Argentina de Osteología y Metabolismo Mineral; Actualizaciones en Osteología; 9 (3); 239-240. http://hdl.handle.net/11336/21655
25. García Súchil, M., Cruz Monrroy, V., & Castellanos Gordillo, L. D. R. (2026). Evolución Cronológica del Sistema ATDM y su Consolidación Científica en el Diagnóstico Preventivo - Predictivo: Análisis Integral 2008–2025. Emergentes - Revista Científica, 5(4), 1078–1112. https://doi.org/10.60112/erc.v5.i4.649
26. Kassani, P. H., Ehwerhemuepha, L., Martin-King, C., et al. (2024). Artificial intelligence for nailfold capillaroscopy analyses—A proof of concept application in juvenile dermatomyositis. Pediatric Research, 95, 981–987. https://doi.org/10.1038/s41390-023-02894-7
27. Katsoulakis, E., Wang, Q., Wu, H., et al. (2024). Digital twins for health: A scoping review. npj Digital Medicine, 7, 77. https://doi.org/10.1038/s41746-024-01073-0
28. Khalifa, A., & Hussein, R. (2026). Artificial Intelligence For 6P Medicine: Consolidating AI Needs of Predictive, Preventive, Personalized, Participatory, Precision, and Public Health Trajectories. Journal of Medical Systems, 50, 56. https://doi.org/10.1007/s10916-026-02391-4
29. Lee, J., Yoon, W., Kim, S., Kim, D., Kim, S., So, C. H., & Kang, J. (2020). BioBERT: A pre-trained biomedical language representation model for biomedical text mining. Bioinformatics, 36(4), 1234–1240. https://doi.org/10.1093/bioinformatics/btz682
30. Lin, Z., Akin, H., Rao, R., et al. (2023). Evolutionary-scale prediction of atomic-level protein structure with a language model. Science, 379(6637), 1123–1130. https://doi.org/10.1126/science.ade2574
31. Lledó-Ibáñez, G. M., et al. (2025). CAPI-Detect: machine learning in capillaroscopy reveals new variables influencing diagnosis. Rheumatology, 64(6), 3667–3675. https://doi.org/10.1093/rheumatology/keaf073
32. Manning, D., Rivera, E. J., & Santana, L. F. (2024). The life cycle of a capillary: Mechanisms of angiogenesis and rarefaction in microvascular physiology and pathologies. Vascular Pharmacology, 156, 107393. https://doi.org/10.1016/j.vph.2024.107393.
33. McNutt, A. T., Francoeur, P., Aggarwal, R., Masuda, T., Meli, R., Ragoza, M., Sunseri, J., & Koes, D. R. (2021). GNINA 1.0: Molecular docking with deep learning. Journal of Cheminformatics, 13, 43. https://doi.org/10.1186/s13321-021-00522-2
34. Mohan1 Suman, Abuadili Garza Victor Alfonso, Kaliyaperumal Viswanathan, Mahendra Baban Datir, Saraswat Pranit, Das Animesh, (2026). Lipid And Polymeric Nanocarriers For Controlled Release Of Nutritional Bioactive Molecules. International Journal of Drug Delivery and Technology; 16 (64s): 428 – 435.
35. Noordijk, B., Garcia Gomez, M. L., Ten Tusscher, K. H. W. J., de Ridder, D., van Dijk, A. D. J., & Smith, R. W. (2024). The rise of scientific machine learning: A perspective on combining mechanistic modelling with machine learning for systems biology. Frontiers in Systems Biology, 4, 1407994. https://doi.org/10.3389/fsysb.2024.1407994
36. Olivecrona, M., Blaschke, T., Engkvist, O., & Chen, H. (2017). Molecular de-novo design through deep reinforcement learning. Journal of Cheminformatics, 9, 48. https://doi.org/10.1186/s13321-017-0235-x
37. Ozturk, L., Laclau, C., Boulon, C., et al. (2025). Analysis of nailfold capillaroscopy images with artificial intelligence: Data from literature and performance of machine learning and deep learning from images acquired in the SCLEROCAP study. Microvascular Research, 157, 104753. https://doi.org/10.1016/j.mvr.2024.104753
38. Procopio, A., Cesarelli, G., Donisi, L., Merola, A., Amato, F., & Cosentino, C. (2023). Combined mechanistic modeling and machine-learning approaches in systems biology: A systematic literature review. Computer Methods and Programs in Biomedicine, 240, 107681. https://doi.org/10.1016/j.cmpb.2023.107681
39. Qiao, L., Khalilimeybodi, A., Linden-Santangeli, N. J., & Rangamani, P. (2025). The evolution of systems biology and systems medicine: From mechanistic models to uncertainty quantification. Annual Review of Biomedical Engineering, 27, 425–447. https://doi.org/10.1146/annurev-bioeng-102723-065309
40. Ren, X., Ren, L., Wei, Q. e.t. A.l. (2017). Advanced glycation end-products decreases expression of endothelial nitric oxide synthase through oxidative stress in human coronary artery endothelial cells. Cardiovasc Diabetol 16, 52. https://doi.org/10.1186/s12933-017-0531-9
41. Sanders, F. W. B., & Griffin, J. L. (2016). De novo lipogenesis in the liver in health and disease: More than just a shunting yard for glucose. Biological Reviews, 91(2), 452–468. https://doi.org/10.1111/brv.12178.
42. Shah, R., Petch, J., Nelson, W., Roth, K., Noseworthy, M. D., Ghassemi, M., & Gerstein, H. C. (2023). Nailfold capillaroscopy and deep learning in diabetes. Journal of Diabetes, 15(2), 145–151. https://doi.org/10.1111/1753-0407.13354
43. Sel, K., Hawkins-Daarud, A., Chaudhuri, A., et al. (2025). Survey and perspective on verification, validation, and uncertainty quantification of digital twins for precision medicine. npj Digital Medicine, 8, 40. https://doi.org/10.1038/s41746-025-01447-y
44. Smith, G. I., et al. (2020). Insulin resistance drives hepatic de novo lipogenesis in nonalcoholic fatty liver disease. Journal of Clinical Investigation, 130(3), 1453–1460. https://doi.org/10.1172/JCI134165.
45. Stirban, A., Gawlowski, T., & Roden, M. (2014). Vascular effects of advanced glycation endproducts: Clinical effects and molecular mechanisms. Molecular Metabolism, 3(2), 94–108. https://doi.org/10.1016/j.molmet.2013.11.006.
46. Tortora, M., Pacchiano, F., Fazio Ferraciolli, S., et al. (2025). Medical digital twin: A review on technical principles and clinical applications. Journal of Clinical Medicine, 14(2), 324. https://doi.org/10.3390/jcm14020324
47. Trott, O., & Olson, A. J. (2010). AutoDock Vina: Improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. Journal of Computational Chemistry, 31(2), 455–461. https://doi.org/10.1002/jcc.21334
48. Venkatesh, K. P., Raza, M. M., & Kvedar, J. C. (2022). Health digital twins as tools for precision medicine: Considerations for computation, implementation, and regulation. npj Digital Medicine, 5, 150. https://doi.org/10.1038/s41746-022-00694-7
49. Watson, J. L., Juergens, D., Bennett, N. R., et al. (2023). De novo design of protein structure and function with RFdiffusion. Nature, 620, 1089–1100. https://doi.org/10.1038/s41586-023-06415-8
50. Zhao, et al. (2025). Current progress of digital twin construction using medical imaging. Journal of Applied Clinical Medical Physics. https://doi.org/10.1002/acm2.70226
