La inteligencia artificial en la detección precoz del deterioro cognitivo

La Inteligencia Artificial en la detección precoz del Deterioro Cognitivo

En medicina, cada vez más se emplean técnicas de Machine Learning (área de la Inteligencia Artificial). El Machine Learning (ML), o Aprendizaje Automático, permite encontrar patrones en los datos clínicos de los pacientes, de forma que es posible predecir basándose en múltiples variables si algún paciente padecerá una determinada patología.

Machine learning

Entre otras enfermedades, los modelos de ML permiten:

1)     Detectar la enfermedad coronaria
2)     Detectar la insuficiencia hepática
3)     Seleccionar genes cancerígenos

Por su parte, la prevención de la demencia es una de las principales prioridades para la salud pública actual.

Para la detección de la demencia se han empleado en diferentes estudios modelos de ML basados en RMI (Imagen por Resonancia Magnética) o PET (Tomografía por Emisión de Positrones). Algunos incluso incluyen el estudio de factores de riesgo basados en datos genéticos.

Otro elemento fundamental en la prevención de la demencia es la realización de cribados de pacientes de riesgo. Entre ellos, podemos encontrar:

  • El test MMSE (Mini Mental State Examination): Evalúa cuantitativamente el deterioro cognitivo
  • El cuestionario KDSQ (Korean Dementia Screening Questionnarie): Como test del informador para evaluar el estado cognitivo del paciente

Detección precoz del Deterioro Cognitivo mediante Inteligencia Artificial

Un estudio llevado a cabo por investigadores surcoreanos consistió en entrenar un algoritmo de ML para distinguir entre pacientes con Deterioro Cognitivo (DC) y con cognición normal. Para ello, extrajeron datos de un estudio previo, conocido como CREDOS  (Clinical Research Center for Dementia of South Korea). CREDOS es un estudio prospectivo, basado en datos obtenidos de 10,185 pacientes, multicéntrico, realizado en hospitales, y diseñado para evaluar la ocurrencia y los factores de riesgo de los trastornos cognitivos.

Para llevarlo a cabo se tuvieron en cuenta los siguientes criterios de inclusión:

1.     Que los pacientes tuvieran quejas subjetivas de memoria sostenidas
2.     Cognición general normal (dentro de 1 desviación típica de la norma ajustando la edad y el nivel educativo) de la versión coreana del test MMSE (K-MMSE)
3.     Actividades de la vida diaria (ADL) sin cambios
4.     Sin anormalidades en una batería comprensiva de pruebas neurofisiológicas (Seoul Neurophysiological Screening Battery), que se centra en 5 dominios: la atención, la memoria, el lenguaje, la función visual espacial y la función ejecutiva frontal

De las 786 variables de las que constaba CREDOS, se seleccionaron únicamente las variables objetivas. Por tanto, en total, se seleccionaron 24 variables, entre ellas: sexo, edad en el momento de la visita, nivel educativo, DM, HT, hipercolesterolemia, historial de infartos, 15 ítems de la puntuación KDSQ, MMSE, y la variable objetivo.

Además, se clasificaron los pacientes en 2 categorías:
1)     Cognición normal
2)     Deterioro Cognitivo, que incluye DC leve (MCI) y demencia

Los resultados del estudio

En primer lugar, los investigadores hicieron un análisis estadístico de los datos del estudio CREDOS. De los 10.185 pacientes contenidos en CREDOS, se vio que había aproximadamente dos mujeres por cada hombre, pero que entre ambas poblaciones el DC había la misma prevalencia. Además, la incidencia del DC era muy alto en la población del estudio (pacientes ancianos hospitalizados), de casi un 85%, como se puede ver en la siguiente figura:

Resultados del análisis estadístico de la prevalencia del Deterioro Cognitivo entre hombres y mujeres llevado a cabo por el estudio CREDOS
Figura 1. Resultados del análisis estadístico de la prevalencia del Deterioro Cognitivo entre hombres y mujeres llevado a cabo por el estudio CREDOS

Por otro lado, existen ciertas enfermedades que suponen un factor de riesgo a la hora de padecer Deterioro Cognitivo. Para estudiar estas asociaciones se emplea el estadístico conocido como Odds Ratio. La Odds Ratio o razón de probabilidades es una medida estadística utilizada en estudios epidemiológicos transversales y de casos y controles. Su objetivo es medir la probabilidad de que una condición de salud o enfermedad se presente en un grupo de población frente al riesgo que ocurra en otro.

Así, entre las patologías asociadas al DC, están la diabetes mellitus, la hipertensión, la dislipemia o haber padecido un infarto.

La siguiente tabla muestra la Odds Ratio obtenida por el estudio para cada una de estas patologías:

Tabla 1. Odds Ratio de diferentes patologías asociadas al DC
Tabla 1. Odds Ratio de diferentes patologías asociadas al DC

En esencia, esto significa que una persona mayor que padezca diabetes (“el azúcar”) presenta 3,34 veces más riesgo de padecer Deterioro Cognitivo que una persona que no padezca de esta dolencia; o 5,34 veces más riesgo de padecer DC si padece de hipertensión; etc.

La siguiente gráfica nos permite visualizar estas relaciones:

Fig. 2. Odds Ratio de las diferentes patologías asociadas al DC.
Figura. 2. Odds Ratio de las diferentes patologías asociadas al DC.

Como se ve, la hipertensión arterial es el factor de riesgo más importante, si bien todos ellos forman parte del conocido como síndrome metabólico. Por tanto, es imposible exagerar la importancia de llevar una dieta sana así como realizar ejercicio físico de forma frecuente para prevenir el Deterioro Cognitivo.

Modelos de Machine Learning

En cuanto a los modelos obtenidos por los algoritmos de ML, los investigadores generaron tres modelos: uno basado en el test MMSE, otro en el cuestionario KDSQ y otro como una combinación de los anteriores. La precisión, la sensibilidad y la especifidad de cada uno de estos modelos fue la siguiente:

Tabla 2. Métricas de los modelos obtenidos por los investigadores a partir de los datos del estudio CREDOS.
Tabla 2. Métricas de los modelos obtenidos por los investigadores a partir de los datos del estudio CREDOS.

Conclusión

La Inteligencia Artificial es una potente herramienta que permite detectar precozmente diferentes patologías, siendo una de ellas el Deterioro Cognitivo.

Bibliografía

1.     Youn YC, Choi SH, Shin HW, et al. Detection of cognitive impairment using a machine-learning algorithm [published correction appears in Neuropsychiatr Dis Treat. 2019 May 01;15:1119-1120]. Neuropsychiatr Dis Treat. 2018;14:2939-2945. Published 2018 Nov 1. doi:10.2147/NDT.S171950 <https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6219269/>

Artículo realizado por Joan Climent. Alumno de 5º de Farmacia

Dejar respuesta

Please enter your comment!
Please enter your name here