Aplicaciones del aprendizaje automático para el diagnóstico asistido por ordenador de la enfermedad de Parkinson:...

Área de la Ciencia:

• Neurología
• Ciencias de la computación
• La informática médica

Sus antecedentes:

• El aprendizaje automático (ML) es cada vez más reconocido por su potencial en el diagnóstico de afecciones neurológicas complejas como la enfermedad de Parkinson (EP).
• Los sistemas de diagnóstico asistido por computadora (CAD) que aprovechan el ML ofrecen vías prometedoras para la detección temprana y precisa de la EP.
• Una comprensión completa de las aplicaciones actuales de ML y sus limitaciones en el diagnóstico de la EP es crucial para avanzar en la investigación y la práctica clínica.

Objetivo del estudio:

• Realizar una revisión exhaustiva de las aplicaciones de aprendizaje automático en el diagnóstico asistido por computadora (CAD) de la enfermedad de Parkinson (EP).
• Analizar el panorama de ML en el diagnóstico de EP desde 2010 hasta 2024, categorizando los estudios por modalidad de datos y evaluando el riesgo de sesgo.
• Identificar las limitaciones actuales y las direcciones de investigación futuras para el ML en el diagnóstico de la EP.

Principales métodos:

• Se realizó una búsqueda sistemática de la literatura para los artículos publicados entre 2010 y 2024.
• Se utilizó la lista de verificación PROBAST para evaluar el riesgo de sesgo en los estudios incluidos.
• Se realizó un estudio de caso de referencia en cinco modalidades de datos diferentes.

Principales resultados:

• La revisión abarca 117 artículos, siendo los datos de voz (40,2%) y los datos de neuroimagen (20,5%) las categorías más frecuentes.
• Una proporción significativa de los estudios (76,1%) mostró un alto riesgo de sesgo, como se indica en la lista de verificación de PROBAST.
• Las aplicaciones de ML se evaluaron a través de datos de neuroimagen, voz, escritura a mano, marcha y EEG, con diferentes niveles de efectividad reportados.

Conclusiones:

• Si bien ML muestra una promesa significativa para el diagnóstico de EP, la alta prevalencia de sesgo en la investigación actual requiere diseños de estudio más rigurosos.
• La investigación futura debe centrarse en abordar las limitaciones identificadas, mejorar la calidad de los datos y validar los modelos de aprendizaje automático en diversos conjuntos de datos.
• Cerrar la brecha entre los profesionales médicos de la IA y la EP es esencial para la traducción exitosa de las herramientas de aprendizaje automático a la práctica clínica.