Detección de deterioro cognitivo leve mediante inteligencia artificial

Contenido

Con el aumento en la esperanza de vida, incrementa la incidencia de las condiciones relacionadas con mayor edad; como el deterioro cognitivo.¹

El deterioro cognitivo leve (DCL) puede considerarse como la fase previa de la enfermedad de Alzheimer (EA).²

El DCL se define como “la presencia de deterioro cognitivo desproporcionado a la edad y el nivel educativo, sin afectación de las actividades diarias”.²

Alrededor del 20% de la población mundial de entre 60 y 89 años presenta DCL, de la cual el 15% progresa a EA anualmente. La detección e intervención tempranas del DCL pueden frenar la progresión de la EA.²

En México, la prevalencia estimada de DCL es del 23.8%.¹

Se han evaluado diferentes factores de riesgo asociados con el DCL, y se ha demostrado que la edad mayor a 70 años se asocia con dos veces mayor riesgo, mientras que la escolaridad menor a 9 años presenta tres veces más riesgo.¹

Detección del deterioro cognitivo leve

A pesar de la importancia de la detección oportuna del DCL, el 61% de los casos no son diagnosticados debido a sus síntomas heterogéneos y sutiles.²

Sin embargo, las evaluaciones basadas en inteligencia artificial (IA) podrían facilitar la detección temprana y sensible de diversas enfermedades neurodegenerativas mediante el análisis de grandes volúmenes de datos y nuevos marcadores cognitivos, que podrían obtenerse a un costo mínimo.²

Se incluyeron un total de 70 artículos que describen diferentes metodologías en 16 países, informando cuatro técnicas principales de IA para detectar DCL (Figura 1): ²

Aprendizaje automático (machine learning)
 
Analiza diversos tipos de datos como nuevos marcadores de DCL, que son más objetivos y sensibles a cambios cognitivos sutiles. Los marcadores de DCL, como la marcha, las actividades, el lenguaje y las alteraciones del movimiento, se manifiestan incluso 24 meses antes de los síntomas cognitivos sutiles.²

Aprendizaje profundo (deep learning)
 
La técnica de diagnóstico más popular gracias a su capacidad para gestionar la toma de decisiones complejas. Puede abordar problemas en la monitorización longitudinal en situaciones reales, completando los datos faltantes con predicciones. Además, es capaz de procesar características más complejas, como biomarcadores de saliva o patrones de conversación, lo que permite una detección más individualizada del DCL.²

Lógica difusa (fuzzy logic)
 
Esta técnica produce un estilo de resultados de decisión diferente, basado en el grado de verdad en lugar de categorías absolutas; por lo tanto, puede gestionar decisiones de diagnóstico complejas, a menudo cargadas de ambigüedad e incertidumbre como en el caso del DCL.²

Combinaciones de IA
 
Existe un uso emergente de combinaciones de IA para optimizar la fase de preparación. En este contexto, la preparación de características es crucial para la precisión del algoritmo de clasificación, la comprensión de los datos y la reducción de los costos computacionales. La automatización por IA puede identificar características clave que pasan desapercibidas para los humanos.²

Resumen

Los avances en las herramientas de detección de deterioro cognitivo leve basadas en IA se están convirtiendo en una herramienta crucial para mejorar la evolución de la enfermedad de Alzheimer.²