Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Alzheimer's Disease: Overview01:26

Alzheimer's Disease: Overview

666
Alzheimer's Disease (AD) is a continually advancing neurodegenerative disorder, distinguished by escalating memory loss, cognitive dysfunction, and dementia. The disease unfolds in three stages: preclinical, mild cognitive impairment (MCI), and dementia. Its onset is insidious, and the progression gradual, with the cause not well explained by other disorders.
The clinical diagnosis of AD hinges on the presence of memory and other cognitive impairments. Biomarkers, such as changes in Aβ...
666
Alzheimer's Disease: Treatment01:22

Alzheimer's Disease: Treatment

260
Alzheimer's Disease (AD), a neurodegenerative disorder, is pathologically identified by amyloid plaques and neurofibrillary tangles composed of tau protein. AD pharmacotherapy aims to manage cognitive symptoms, delay disease progression, and treat behavioral symptoms. The treatment is primarily symptomatic and palliative, with no definitive disease-modifying therapy available. Cholinesterase inhibitors, including donepezil (Aricept), rivastigmine (Exelon), and galantamine (Razadyne), are...
260
Neural Regulation01:37

Neural Regulation

39.8K
Digestion begins with a cephalic phase that prepares the digestive system to receive food. When our brain processes visual or olfactory information about food, it triggers impulses in the cranial nerves innervating the salivary glands and stomach to prepare for food.
39.8K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Prediction of arrhythmogenesis in non-ischemic cardiac resynchronization therapy patients.

APL bioengineering·2026
Same author

Trajectories of brain structure and function in young adult carriers of genetic frontotemporal dementia variants.

medRxiv : the preprint server for health sciences·2026
Same author

Cerebrospinal Fluid Biomarkers in Cerebral Amyloid Angiopathy With and Without Spontaneous Lobar Hemorrhage.

Journal of the American Heart Association·2025
Same author

Unified Discontinuous Galerkin Analysis of a Thermo/Poro-viscoelasticity Model.

Journal of scientific computing·2025
Same author

Autophagy Markers Are Altered in Alzheimer's Disease, Dementia with Lewy Bodies and Frontotemporal Dementia.

International journal of molecular sciences·2024
Same author

Aβ1-6<sub>A2V</sub>(D) peptide, effective on Aβ aggregation, inhibits tau misfolding and protects the brain after traumatic brain injury.

Molecular psychiatry·2023

Video Experimental Relacionado

Updated: Sep 9, 2025

Author Spotlight: Advancing Alzheimer's Research &#8211; Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.2K

Predicción de la progresión de la enfermedad de Alzheimer a partir de escasos datos multimodal por modelos NeuralODE

Andrea Zanin, Stefano Pagani, Mattia Corti

    bioRxiv : the preprint server for biology
    |September 5, 2025
    PubMed
    Resumen

    Este estudio introduce un nuevo modelo de IA para predecir la progresión de la enfermedad de Alzheimer utilizando datos limitados de pacientes. El modelo mejora el diagnóstico precoz y el seguimiento de los cambios en los biomarcadores para un mejor seguimiento de las enfermedades neurodegenerativas.

    Más Videos Relacionados

    Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
    14:27

    Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

    Published on: June 26, 2013

    15.8K
    Basics of Multivariate Analysis in Neuroimaging Data
    06:35

    Basics of Multivariate Analysis in Neuroimaging Data

    Published on: July 24, 2010

    17.0K

    Videos de Experimentos Relacionados

    Last Updated: Sep 9, 2025

    Author Spotlight: Advancing Alzheimer's Research &#8211; Exploring Early Detection and Multi-Omics Approaches
    09:47

    Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

    Published on: December 15, 2023

    1.2K
    Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
    14:27

    Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

    Published on: June 26, 2013

    15.8K
    Basics of Multivariate Analysis in Neuroimaging Data
    06:35

    Basics of Multivariate Analysis in Neuroimaging Data

    Published on: July 24, 2010

    17.0K

    Área de la Ciencia:

    • La neurociencia
    • Inteligencia artificial
    • Ciencia de los datos biomédicos

    Sus antecedentes:

    • La progresión de la enfermedad de Alzheimer (EA) varía significativamente entre los pacientes, lo que complica el diagnóstico y la atención.
    • Los modelos actuales basados en datos a menudo requieren conjuntos de datos extensos y específicos que no están disponibles en entornos clínicos.
    • La predicción precisa de las trayectorias individuales de la enfermedad es crucial para el manejo eficaz de los trastornos neurodegenerativos.

    Objetivo del estudio:

    • Desarrollar un nuevo marco de modelado para predecir las trayectorias individuales de la enfermedad de Alzheimer.
    • Utilizar datos clínicos dispersos, muestreados de forma irregular y multimodales para el modelado de la progresión de la enfermedad.
    • Mejorar el diagnóstico precoz y el seguimiento de las enfermedades neurodegenerativas.

    Principales métodos:

    • Implementación de ecuaciones diferenciales ordinarias (NODE) neuronales (recurrentes).
    • Pronóstico de la progresión de la enfermedad del paciente y evolución de los biomarcadores a lo largo del tiempo.
    • Utilización de datos clínicos escasos y multimodales para el entrenamiento y la validación de modelos.

    Principales resultados:

    • El modelo desarrollado detectó con precisión los primeros signos de la enfermedad de Alzheimer.
    • Rastreó efectivamente los cambios en las trayectorias de los biomarcadores, alineándose con el conocimiento clínico.
    • Se ha demostrado un rendimiento superior en comparación con las alternativas comunes basadas en datos en la cohorte ADNI.

    Conclusiones:

    • El marco de modelado propuesto ofrece una herramienta versátil para el diagnóstico y el seguimiento personalizados de la enfermedad de Alzheimer.
    • Este enfoque aborda las limitaciones de los modelos existentes en el manejo de datos clínicos escasos y reales.
    • Los hallazgos apoyan el potencial de la IA para avanzar en el manejo de enfermedades neurodegenerativas.