Predicción cognitiva utilizando conectividades regionales y biomarcadores de red en la enfermedad de Alzheimer

Área de la Ciencia:

• La neurociencia
• Psiquiatría computacional
• Análisis de imágenes médicas

Sus antecedentes:

• La comprensión de los mecanismos cerebrales requiere un análisis de red a múltiples escalas.
• La investigación del deterioro cognitivo requiere una extracción precisa de las características de los datos de neuroimagen.

Objetivo del estudio:

• Desarrollar y validar un nuevo método para analizar las redes cerebrales individuales en pacientes con deterioro cognitivo.
• Para predecir el rendimiento cognitivo utilizando modelos de aprendizaje automático basados en características de red refinadas.
• Para identificar las regiones críticas del cerebro y las redes asociadas con el deterioro cognitivo.

Principales métodos:

• Construcción de redes cerebrales individuales a partir de datos de neuroimagen.
• Aplicación del método de selección de bordes significativos (SES) para extraer conexiones informativas.
• Cálculo de las características de la red y aplicación del aprendizaje automático para la predicción (validación cruzada de una excepción).

Principales resultados:

• Logró una precisión de predicción de r = 0.683 para el rendimiento cognitivo.
• Regiones cerebrales centrales identificadas y redes a gran escala que impulsan el rendimiento predictivo.
• Las redes visuales secundarias (VIS2), el control frontoparietal (FPN) y el modo predeterminado (DMN) se asociaron más con el deterioro cognitivo.

Conclusiones:

• Un marco de múltiples escalas (conexiones, regiones, redes) permite una predicción cognitiva sólida.
• Los hallazgos ofrecen nuevos conocimientos sobre los mecanismos de la enfermedad de Alzheimer (EA).
• Este trabajo avanza en el modelado predictivo para el diagnóstico temprano de la enfermedad de Alzheimer y la investigación mecanicista.