Un marco multimodal de RM que emplea aprendizaje automático para detectar el deterioro cognitivo incipiente en la...

Área de la Ciencia:

• Neurociencia
• Imagen Médica
• Aprendizaje Automático

Sus antecedentes:

• Los déficits cognitivos afectan hasta al 50 % de los pacientes con enfermedad de Parkinson (EP) dentro de los 10 años posteriores al diagnóstico.
• La detección temprana del deterioro cognitivo es crucial para la intervención y el manejo oportunos en la EP.

Objetivo del estudio:

• Clasificar el rendimiento cognitivo en pacientes con EP utilizando un modelo de aprendizaje automático.
• Integrar datos de RM estructural y funcional con características clínicas para mejorar la detección.

Principales métodos:

• Se entrenó un modelo binario de máquina de vectores de soporte (SVM) con datos de 38 pacientes con EP.
• Se analizaron datos de RM de conectividad funcional (FC) y estructural (volumen de materia gris).
• La selección de características utilizó bootstrapping, con la robustez del modelo garantizada mediante validación cruzada de 10 veces.

Principales resultados:

• El modelo con mejor rendimiento, que utiliza solo características de imagen (volumen de materia gris, FC inter-red), logró una precisión del 94,7 % y un ROC-AUC de 0,98.
• Un modelo que integra datos clínicos y de RM funcional mostró resultados similares (precisión del 94,7 %, ROC-AUC de 0,90).

Conclusiones:

• El aprendizaje automático aplicado a datos multimodales de RM puede avanzar significativamente la detección temprana del deterioro cognitivo en la EP.
• Este enfoque apoya las estrategias de diagnóstico y manejo oportunos para pacientes con enfermedad de Parkinson.