Predicción precisa y robusta de la deposición de amiloide-β en el cerebro a partir de biomarcadores plasmáticos e...

Área de la Ciencia:

• Neurología
• Los biomarcadores
• Aprendizaje automático

Sus antecedentes:

• La enfermedad de Alzheimer (EA) es un trastorno neurodegenerativo frecuente caracterizado por la acumulación de amiloide-β (Aβ).
• La tomografía por emisión de positrones (PET) es el estándar de oro para la detección de Aβ, pero es costosa e inaccesible.
• El desarrollo de un método de diagnóstico de bajo costo para la deposición de Aβ en el cerebro es crucial para la detección temprana de la enfermedad de Alzheimer.

Objetivo del estudio:

• Desarrollar y validar algoritmos de aprendizaje automático para predecir la positividad Aβ del cerebro.
• Utilizar biomarcadores plasmáticos, información genética y datos clínicos como características de entrada.
• Establecer una alternativa rentable a las imágenes PET para el diagnóstico de la enfermedad de Alzheimer.

Principales métodos:

• Análisis de 1.043 pacientes de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI) y validación en 127 pacientes del conjunto de datos del CNTN.
• Biomarcadores plasmáticos utilizados (Aβ42, Aβ40, pTau 181, NfL), genotipo de la apolipoproteína E (APOE) y datos clínicos (MMSE, MoCA, edad, educación y género).
• Los algoritmos de aprendizaje automático empleados incluyen árboles de decisión, bosque aleatorio, máquina vectorial de soporte y perceptrón de múltiples capas, con técnicas de selección y coincidencia de características.

Principales resultados:

• Se obtuvo un área bajo la curva ROC (AUC) de 0,95 en el conjunto de datos ADNI con 11 características.
• Validación del modelo en un conjunto de datos externo de CNTN, logrando un AUC de 0,90.
• Un modelo reducido utilizando sólo cinco características clave (pTau 181, Aβ42/40, Aβ42, recuento de APOE ɛ4, MMSE) alcanzó un AUC de 0,87 en 341 pacientes con ADNI.

Conclusiones:

• Los modelos de aprendizaje automático predicen efectivamente el estado Aβ del cerebro utilizando datos accesibles.
• El método desarrollado demuestra una fuerte generalización a conjuntos de datos independientes.
• Este enfoque ofrece una alternativa rentable y precisa a las imágenes PET para el diagnóstico de la enfermedad de Alzheimer.