MARCADORES LINGÜISTICOS PARA LA PREDICCIÓN DE LA ENFERMEDAD DE ALZHEIMER MEDIANTE IA

El análisis lingüístico en la investigación de la Enfermedad de Alzheimer.

Para la investigación en la Enfermedad de Alzheimer (EA) es prioritario identificar estrategias de intervenciones tempranas que reduzcan el riesgo, retrasen el comienzo o ralenticen la progresión de la enfermedad.

Si bien se han asociado muchas variables con el riesgo de EA, todavía se echa en falta el desarrollo de biomarcadores baratos y fiables que permitan detectar la EA de forma precoz.

Por su parte, el deterioro cognitivo asociado a la edad se manifiesta en casi todos los aspectos de la comprensión y la producción del lenguaje. Esto es debido a que hasta las habilidades lingüísticas aparentemente más sencillas, tales como la denominación de objetos, involucran extensas redes cerebrales.

En este sentido, un estudio publicado en la revista Lancet [1] empleó la alteración de las habilidades lingüísticas como un indicador de disfunción mental. Para ello, emplearon los datos de la conocida cohorte sobre la enfermedad cardiovascular de Framingham (FHS, por sus siglas en inglés), un gran estudio iniciado en 1948 y que se llevó a cabo durante décadas.

Como parte de FHS, a los participantes seleccionados se les administró una batería de pruebas neuropsicológicas a lo largo de varias visitas. Entre estas tareas se incluía la tarea de descripción de imágenes, y, de estas imágenes, la más empleada en entornos clínicos es la de describir el robo de unas galletas (“Cookie Theft Task” o CTT, por sus siglas en inglés) por unos niños en una cocina (ver figura 1). Esta imagen permite evaluar el discurso en pacientes con afasia (trastorno del lenguaje por un daño cerebral) y demencia.

Fig. 1. Imagen “Robo de galletas”, empleada en la prueba para la detección de trastornos del lenguaje (CTT).

Técnicas computacionales y detección deterioro cognitivo.

Los investigadores emplearon además técnicas computacionales para extraer variables lingüísticas de las respuestas escritas al CTT y compararon su valor predictivo con el de otras variables clínicas, tales como las puntuaciones en las pruebas neuropsicológicas, demográficas y genéticas, así como el historial médico.

Así, utilizando las variables obtenidas cuando se evaluó que los participantes estaban cognitivamente normales, los investigadores desarrollaron modelos matemáticos para predecir si un participante en particular desarrollará Deterioro Cognitivo Leve (DCL) debido a la EA en o antes de los 85 años.

Estos modelos matemáticos basados en la Inteligencia Artificial son conocidos como modelos de Machine Learning o de Aprendizaje Automático. Al desarrollarlos, los investigadores pudieron comparar la capacidad predictiva de las características del lenguaje con la de las variables más tradicionales asociadas con un alto riesgo de EA.

El “deterioro del lenguaje” que acompaña al deterioro cognitivo

La aparición futura de EA se asoció con habla telegráfica, repetitividad y errores ortográficos y de puntuación. En el habla telegráfica (la empleada al escribir los antiguos telegramas), la estructura gramatical es reducida o está ausente, de modo que el lenguaje contiene frases simplificadas (ver figura 2). Esta se caracteriza por:

  • Falta de determinantes (“el/la”, “un/una”)
  • Falta de verbos copulativos (“ser”, “estar”, “parecer”)
Fig 2. El lenguaje empleado en la descripción de una imagen por los pacientes permite detectar precozmente el deterioro cognitivo.

En general, cualquier alteración del lenguaje se denomina clínicamente como “afasia”. Así, se sabe que el habla telegráfica es un síntoma común de afasia no fluida.

Como capacidades lingüísticas, los investigadores evaluaron la verbosidad, la riqueza léxica y la repetitividad. Para ello emplearon métricas tales como el número de palabras, el número de palabras únicas y la frecuencia de las repeticiones. Además, se analizaron los errores ortográficos, el uso de la puntuación y las mayúsculas para evaluar el rendimiento y el estilo de la escritura.

Para modelar las distribuciones de secuencias de palabras los investigadores realizaron análisis de modelado del lenguaje, y la complejidad sintáctica se evaluó mediante el análisis de árboles de análisis sintáctico.

Nuestras conclusiones

Los investigadores pudieron demostrar en su estudio que los modelos de Inteligencia Artificial basados únicamente en el lenguaje permiten predecir la aparición futura de la EA en individuos cognitivamente normales. Además, probaron que el uso exclusivo de variables lingüísticas de una sola prueba de CTT funcionó mejor que los modelos predictivos que incorporaron APOE, variables demográficas y resultados de pruebas neuropsicológicas.

Por otro lado, recientemente se han desarrollado pruebas diagnósticas de la EA precoz basadas en la detección de unas proteínas conocidas como cadenas ligeras de neurofilamentos (NfL) [2]. Estos biomarcadores permiten monitorizar la progresión de la EA en sus etapas presintomáticas. Si bien se trata de resultados muy prometedores, el problema de estas pruebas, es que son poco prácticas desde el punto de vista tecnológico y logístico.

En cambio, las pruebas lingüísticas, a diferencia de las anteriores, son una alternativa simple y económica. Estas pueden proporcionar una herramienta útil para la detección temprana y la monitorización de la progresión de la EA.

Además, dichas pruebas se pueden adaptar fácilmente a plataformas digitales, de forma que se pueden realizar masivamente sin que suponga una carga para los pacientes.

Nunca es demasiado pronto.
Artículo realizado por Joan Climent Ciscar, alumno de 5º de Farmacia UCH CEU.

Bibliografía

1.Eyigoz E, Mathur S, Santamaria M, Cecchi G, Naylor M. Linguistic markers predict onset of Alzheimer’s disease. The Lancet. 2020 Octubre.
2.Preische O, Schultz S, Apel A, Kuhle J, Kaeser S, Barro C. Dominantly inherited Alzheimer network. serum neurofilament dynamics predicts neurodegeneration and clinical progression in presymptomatic Alzheimer’s disease. Nat Med. 2019.
Artículo anteriorLeer: imaginar, compartir y cuidar nuestro cerebro
Artículo siguienteAnticolinérgicos, los grandes olvidados

Dejar respuesta

Please enter your comment!
Please enter your name here