INVESTIGACIÓN
La IA supera las pruebas clínicas al predecir el progreso de la enfermedad de Alzheimer
El equipo de la Universidad de Cambridge ha desarrollado un modelo de aprendizaje automático capaz de predecir si una persona con problemas leves de memoria y pensamiento desarrollará la enfermedad de Alzheimer y con qué rapidez.
Publicidad
Una herramienta de inteligencia artificial es capaz de predecir en cuatro de cada cinco casos si las personas con signos tempranos de demencia permanecerán estables o desarrollarán la enfermedad de Alzheimer, según un trabajo de la Universidad de Cambridge (Reino Unido) publicado en EClinicalMedicine. El equipo comenta que este nuevo enfoque podría reducir la necesidad de pruebas diagnósticas invasivas y costosas y, al mismo tiempo, mejorar los resultados del tratamiento en una etapa temprana, cuando intervenciones como cambios en el estilo de vida o nuevos medicamentos pueden tener la oportunidad de funcionar mejor.
Actualmente, la principal causa de demencia es la enfermedad de Alzheimer, que representa entre el 60 y el 80 % de los casos. La detección temprana es crucial, ya que es cuando es más probable que los tratamientos sean más eficaces; sin embargo, el diagnóstico y el pronóstico tempranos de la demencia pueden no ser precisos sin el uso de pruebas invasivas o costosas, como la tomografía por emisión de positrones (PET) o la punción lumbar, que no están disponibles en todas las clínicas de memoria. Como resultado, hasta un tercio de los pacientes pueden ser mal diagnosticados y otros pueden ser diagnosticados demasiado tarde para que el tratamiento sea eficaz.
En este contexto, el equipo dirigido por científicos del Departamento de Psicología de la Universidad de Cambridge ha desarrollado un modelo de aprendizaje automático capaz de predecir si una persona con problemas leves de memoria y pensamiento desarrollará la enfermedad de Alzheimer y con qué rapidez. Este ha demostrado más preciso que las herramientas de diagnóstico clínico actuales.
Para construir su modelo, los investigadores utilizaron datos de pacientes recopilados de forma rutinaria, no invasiva y de bajo costo (pruebas cognitivas y exploraciones de resonancia magnética estructural que mostraban atrofia de la materia gris) de más de 400 personas que formaban parte de una cohorte de investigación en los EEUU. Luego probaron el modelo utilizando datos de pacientes reales de otros 600 participantes de la cohorte estadounidense y, lo que es más importante, datos longitudinales de 900 personas de clínicas de memoria del Reino Unido y Singapur.
El algoritmo fue capaz de distinguir entre personas con deterioro cognitivo leve estable y aquellas que progresaron a la enfermedad de Alzheimer en un período de tres años. Fue capaz de identificar correctamente a las personas que desarrollaron Alzheimer en el 82% de los casos e identificar correctamente a las que no lo desarrollaron en el 81% de los casos a partir de pruebas cognitivas y una resonancia magnética únicamente.
El algoritmo fue aproximadamente tres veces más preciso a la hora de predecir la progresión hacia el Alzheimer que el estándar de atención actual, es decir, los marcadores clínicos estándar (como la atrofia de la materia gris o las puntuaciones cognitivas) o el diagnóstico clínico. Esto demuestra que el modelo podría reducir significativamente los diagnósticos erróneos.
El modelo también permitió a los investigadores estratificar a las personas con enfermedad de Alzheimer utilizando datos de la primera visita de cada persona a la clínica de memoria en tres grupos: aquellos cuyos síntomas se mantendrían estables (alrededor del 50% de los participantes), aquellos que progresarían lentamente hacia el Alzheimer (alrededor del 35%) y aquellos que progresarían más rápidamente (el 15% restante). Estas predicciones se validaron al observar los datos de seguimiento durante 6 años. Esto es importante ya que podría ayudar a identificar a aquellas personas en una etapa lo suficientemente temprana como para que puedan beneficiarse de nuevos tratamientos, al mismo tiempo que se identifica a las personas que necesitan un seguimiento cercano ya que es probable que su condición se deteriore rápidamente.
Es importante destacar que ese 50% de personas que presentan síntomas como pérdida de memoria pero permanecen estables, estarían mejor dirigidas a una vía clínica diferente, ya que sus síntomas pueden deberse a otras causas además de la demencia, como la ansiedad o la depresión.
La autora principal, la profesora Zoe Kourtzi del Departamento de Psicología de la Universidad de Cambridge, enuncia: "Hemos creado una herramienta que, a pesar de utilizar solo datos de pruebas cognitivas y resonancias magnéticas, es mucho más sensible que los enfoques actuales para predecir si alguien progresará de síntomas leves a Alzheimer y, de ser así, si este progreso será rápido o lento. Esto tiene el potencial de mejorar significativamente el bienestar de los pacientes, mostrándonos qué personas necesitan una atención más cercana, al tiempo que elimina la ansiedad de aquellos pacientes que prevemos que permanecerán estables. En un momento de intensa presión sobre los recursos sanitarios, esto también ayudará a eliminar la necesidad de pruebas diagnósticas invasivas y costosas innecesarias".
Aunque los investigadores probaron el algoritmo con datos de una cohorte de investigación, lo validaron utilizando datos independientes que incluían a casi 900 personas que asistieron a clínicas de memoria en el Reino Unido y Singapur. Siendo así, los investigadores insisten que esto demuestra que debería ser aplicable en un entorno clínico con pacientes del mundo real. El equipo ahora espera ampliar su modelo a otras formas de demencia, como la demencia vascular y la demencia frontotemporal, y utilizar diferentes tipos de datos, como marcadores de análisis de sangre.
Kourtzi concluye: "Si vamos a hacer frente al creciente desafío sanitario que plantea la demencia, necesitaremos mejores herramientas para identificarla e intervenir en la etapa más temprana posible. Nuestra visión es ampliar nuestra herramienta de IA para ayudar a los médicos a asignar a la persona adecuada en el momento adecuado a la vía de diagnóstico y tratamiento adecuada. Nuestra herramienta puede ayudar a vincular a los pacientes adecuados con los ensayos clínicos, acelerando el descubrimiento de nuevos fármacos para tratamientos modificadores de la enfermedad".
Publicidad