Evaluación guiada por la identificabilidad de los gemelos digitales en la investigación clínica y la atención de la...

Área de la Ciencia:

• Biología computacional y bioinformática
• Informática médica y salud digital
• Investigación en neurociencia y enfermedades neurodegenerativas

Sus antecedentes:

• Los gemelos digitales ofrecen modelos personalizados de enfermedades basados en datos para el diagnóstico, el monitoreo y la evaluación del tratamiento.
• La evaluación de la validez de los gemelos digitales es un desafío debido a los datos médicos escasos, ruidosos y heterogéneos.
• El análisis de identificabilidad es crucial para determinar la estimación e interpretación fiables de los parámetros en modelos complejos.

Objetivo del estudio:

• Investigar el papel del análisis de identificabilidad en la validación de modelos computacionales de gemelos digitales causales para la enfermedad de Alzheimer (EA).
• Evaluar cómo las características de los datos y las limitaciones del modelo afectan a la identificabilidad de los parámetros en los gemelos digitales de AD.
• Explorar la utilidad de la identificabilidad para distinguir entre grupos de diagnóstico (AD, MCI, CN).

Principales métodos:

• Análisis de identificabilidad aplicado a un modelo computacional de gemelos digitales causales de la enfermedad de Alzheimer.
• Investigó la influencia de la magnitud de los datos de los biomarcadores, la distribución y las restricciones del modelo en la identificabilidad de los parámetros.
• Ejecución de la cuantificación de la incertidumbre para los parámetros identificables y sus trayectorias de modelo asociadas.

Principales resultados:

• Las características de los datos de los biomarcadores y las limitaciones del modelo influyen significativamente en la identificación práctica de los parámetros en los gemelos digitales de Alzheimer.
• El análisis de identificabilidad reveló distintas diferencias de parámetros entre la enfermedad de Alzheimer, el deterioro cognitivo leve y los sujetos cognitivamente normales.
• La cuantificación de la incertidumbre proporcionó información sobre la variabilidad de la progresión de la enfermedad y las tendencias relacionadas con los datos de los biomarcadores.

Conclusiones:

• El análisis de la identificabilidad es esencial para garantizar la validez clínica y la interpretabilidad de los modelos de gemelos digitales, en particular para enfermedades con escasez de datos como la EA.
• Este estudio demuestra un marco para la integración de técnicas de identificación en el desarrollo clínico de gemelos digitales para enfermedades neurodegenerativas.
• Los hallazgos apoyan el uso de gemelos digitales interpretables basados en datos para aplicaciones de medicina personalizada y ensayos clínicos en la enfermedad de Alzheimer.