Científicos de Cambridge han desarrollado una herramienta de inteligencia artificial capaz de predecir en cuatro de cada cinco casos si las personas con signos tempranos de demencia se mantendrán estables o desarrollarán la enfermedad de Alzheimer.
El equipo dice que este nuevo enfoque podría reducir la necesidad de pruebas de diagnóstico invasivas y costosas, al tiempo que mejora los resultados del tratamiento tempranamente, cuando las intervenciones como los cambios en el estilo de vida o los nuevos medicamentos pueden tener la oportunidad de funcionar mejor.
La demencia plantea un importante desafío sanitario mundial, afectando a más de 55 millones de personas en todo el mundo a un coste anual estimado de 820.000 millones de dólares. Se espera que el número de casos casi se triplique en los próximos 50 años.
La principal causa de la 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 los tratamientos son más efectivos, pero el diagnóstico y el pronóstico tempranos de la demencia pueden no ser precisos sin el uso de pruebas invasivas o costosas como las tomografías 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 diagnosticados erróneamente y otros diagnosticados demasiado tarde para que el tratamiento sea efectivo.
Un 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 progresará a desarrollar la enfermedad de Alzheimer y a qué velocidad lo hará. En una investigación publicada hoy en eClinical Medicine, demuestran que es más preciso que las herramientas de diagnóstico clínico actuales.
Para construir su modelo, los investigadores utilizaron datos de pacientes recogidos de forma rutinaria, no invasivos y de bajo coste (pruebas cognitivas y exploraciones de resonancia magnética estructural que mostraban la atrofia de la materia gris) de más de 400 individuos que formaban parte de una cohorte de investigación en Estados Unidos.
Luego probaron el modelo utilizando datos de pacientes del mundo real 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 las personas con deterioro cognitivo leve estable y las que progresaron a la enfermedad de Alzheimer en un período de tres años. Fue capaz de identificar correctamente a los individuos que desarrollaron la enfermedad de Alzheimer en el 82% de los casos e identificar correctamente a los que no lo hicieron en el 81% de los casos, solo con las pruebas cognitivas y una exploración de resonancia magnética.
El algoritmo fue aproximadamente tres veces más preciso en la predicción de la progresión a la enfermedad de Alzheimer que el estándar actual de atención; 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 el diagnóstico erróneo.
El modelo también permitió a los investigadores estratificar a las personas con la 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 a la enfermedad de Alzheimer lentamente (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 porque podría ayudar a identificar a las personas en una etapa lo suficientemente temprana como para que puedan beneficiarse de nuevos tratamientos, al mismo tiempo que 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 las personas que tienen síntomas como pérdida de memoria, pero se mantienen estables, estarían mejor encaminadas a una vía clínica diferente, ya que sus síntomas pueden deberse a otras causas que no sean la demencia, como la ansiedad o la depresión.
La autora principal, la profesora Zoe Kourtzi, del Departamento de Psicología de la Universidad de Cambridge, dijo: “Hemos creado una herramienta que, a pesar de utilizar solo datos de pruebas cognitivas y exploraciones de resonancia magnética, es mucho más sensible que los enfoques actuales para predecir si alguien progresará de síntomas leves a la enfermedad de Alzheimer; y si es así, si este progreso será rápido o lento.
“Esto tiene el potencial de mejorar significativamente el bienestar del paciente, mostrándonos qué personas necesitan más atención, a la vez que elimina la ansiedad de aquellos pacientes de los que predecimos que se mantendrán estables. En un momento de intensa presión sobre los recursos de atención médica, esto también ayudará a eliminar la necesidad de pruebas de diagnóstico invasivas y costosas innecesarias.”
Si bien los investigadores probaron el algoritmo con datos de una cohorte de investigación, se validó utilizando datos independientes que incluían a casi 900 individuos que asistieron a clínicas de memoria en el Reino Unido y Singapur. En el Reino Unido, los pacientes fueron reclutados a través del estudio Quantiative MRI in NHS Memory Clinics Study (QMIN-MC) dirigido por el coautor del estudio, el Dr. Timothy Rittman, de Cambridge University Hospitals NHS Trust y Cambridgeshire and Peterborough NHS Foundation Trusts (CPFT).
Los investigadores dicen que esto demuestra que debería ser aplicable en un entorno clínico de pacientes del mundo real.
El Dr. Ben Underwood, psiquiatra consultor honorario en CPFT y profesor asistente en el Departamento de Psiquiatría de la Universidad de Cambridge, dijo: “Los problemas de memoria son comunes a medida que envejecemos. En la clínica veo cómo la incertidumbre sobre si estos podrían ser los primeros signos de demencia puede causar mucha preocupación a las personas y a sus familias, además de ser frustrante para los médicos que prefieren dar respuestas definitivas. El hecho de que podamos reducir esta incertidumbre con la información que ya tenemos es emocionante y es probable que se vuelva aún más importante a medida que surjan nuevos tratamientos.”
La profesora Kourtzi dijo: “Los modelos de IA son tan buenos como los datos en los que están entrenados. Para asegurarnos de que el nuestro tiene el potencial de ser adoptado en un entorno sanitario, lo entrenamos y probamos con datos recogidos de forma rutinaria, no solo de cohortes de investigación, sino también de pacientes en clínicas de memoria reales. Esto demuestra que será generalizable a un entorno del mundo real.”
El equipo espera ahora ampliar su modelo a otras formas de demencia, como la demencia vascular y la demencia frontotemporal, y utilizando diferentes tipos de datos, como los marcadores de los análisis de sangre.
La profesora Kourtzi añadió: “Si vamos a abordar el creciente reto de salud que plantea la demencia, necesitaremos mejores herramientas para identificar e intervenir en la etapa más temprana posible. Nuestra visión es escalar nuestra herramienta de IA para ayudar a los clínicos a asignar a la persona adecuada en el momento adecuado al camino de diagnóstico y tratamiento adecuado. Nuestra herramienta puede ayudar a hacer coincidir a los pacientes adecuados con los ensayos clínicos, acelerando el descubrimiento de nuevos fármacos para tratamientos modificadores de la enfermedad.”
El estudio fue financiado por Wellcome, la Royal Society, Alzheimer’s Research UK, la Alzheimer’s Drug Discovery Foundation Diagnostics Accelerator, el Alan Turing Institute y el National Institute for Health Research Cambridge Biomedical Research Centre.
Referencia
Lee, LY & Vaghari, D et al. Marcador robusto e interpretable guiado por IA para la predicción temprana de la demencia en entornos clínicos del mundo real. eClinMed; 12 de julio de 2024; DOI: 10.1016/j.eclinm.2024.102725
Revista
EClinicalMedicine
Método de investigación
Simulación/modelado computacional
Asunto de la investigación
Personas
Título del artículo
Marcador robusto e interpretable guiado por IA para la predicción temprana de la demencia en entornos clínicos del mundo real
Fecha de publicación del artículo
12-Jul-2024
