Tecnología y Preconferencia sobre Demencia

Área de la Ciencia:

• Neurociencia
• Lingüística Computacional
• Descubrimiento de Biomarcadores

Sus antecedentes:

• La enfermedad de Alzheimer (EA) presenta diversas formas clínicas que requieren atención personalizada.
• El pronóstico de la afasia primaria progresiva de variante logopénica (lvPPA) es un desafío debido a patologías subyacentes variadas (EA o FTLD).
• El diagnóstico preciso requiere enfoques multidisciplinarios que incluyan análisis de LCR, imágenes y evaluaciones psicométricas.

Objetivo del estudio:

• Evaluar marcadores del habla para la clasificación cruzada de fenotipos de EA con perfiles de líquido cefalorraquídeo (LCR).
• Desarrollar un método no invasivo para el pronóstico temprano de la progresión de enfermedades neurodegenerativas.
• Diferenciar fenotipos clínicos y patologías subyacentes en la EA en etapa temprana.

Principales métodos:

• Se clasificaron 42 pacientes en grupos lvPPA- (FTLD), lvPPA+ (EA) y EA.
• Se analizaron grabaciones de voz de una tarea de repetición de 14 oraciones para características prosódicas y temporales.
• Se entrenaron y validaron modelos de aprendizaje automático supervisado (Random Forest, KNN, SVM) para la clasificación.

Principales resultados:

• El modelo Random Forest logró una precisión de validación cruzada del 91%, superando a otros modelos.
• La clasificación basada en el habla diferenció con éxito los grupos lvPPA-, lvPPA+ y EA.
• Los hallazgos sugieren que el análisis del habla es una valiosa herramienta no invasiva para la identificación pronóstica temprana de fenotipos y patología de la EA.

Conclusiones:

• La clasificación basada en el habla vincula fenotipos clínicos con perfiles de LCR, ofreciendo información pronóstica temprana.
• Una mayor precisión pronóstica puede mejorar las estrategias de intervención temprana para la EA.
• Se necesitan estudios más amplios para validar la clasificación del habla como una herramienta no invasiva confiable para el pronóstico diferencial.