Biomarcadores | JoVE Visualize

Área de la Ciencia:

Neurociencia
Neurociencia Computacional
Gerontología

Sus antecedentes:

La enfermedad de Alzheimer (EA) representa una carga significativa para los sistemas de atención médica debido al envejecimiento de la población mundial.
La monitorización continua y la detección temprana del deterioro cognitivo son cruciales para el manejo de la EA.
Los electroencefalogramas (EEG) ofrecen un método potencial para la monitorización ambulatoria del estado cognitivo.

Objetivo del estudio:

Identificar características clave del electroencefalograma (EEG) indicativas de deterioro cognitivo.
Evaluar la viabilidad de utilizar el aprendizaje automático (ML) para estimar el estado cognitivo a partir de datos de EEG.
Correlacionar las características del EEG con las puntuaciones del Mini-Examen del Estado Mental (MMSE).

Principales métodos:

Un estudio transversal que involucró a 510 adultos mayores de diversas cohortes internacionales.
Se recopilaron grabaciones de EEG estacionarias y puntuaciones correspondientes del MMSE (que oscilan entre 4 y 30).
Se desarrolló un regresor de ML de Gradient Boosting utilizando características de espectro, complejidad y conectividad del EEG para estimar el estado cognitivo, validado mediante validación cruzada leave-one-out.

Principales resultados:

Se encontraron correlaciones significativas entre las puntuaciones del MMSE y las características del EEG: Complejidad de Hjorth (lóbulo temporal izquierdo, r=0.58), coherencia alfa (lóbulos temporales izquierdo-derecho, r=0.48) y frecuencia de borde occipital beta (r=0.42).
Se identificaron ochenta características combinadas de EEG como predictores del estado cognitivo.
El modelo de ML estimó el estado cognitivo con un error promedio de 2.53 puntos MMSE (R²=0.80).

Conclusiones:

Características específicas del EEG, particularmente la actividad temporal y occipital, predicen de manera confiable el estado cognitivo.
La cohorte diversa del estudio mejora la generalización, aunque se necesitan más datos en rangos de MMSE más bajos.
Las futuras aplicaciones de ML que utilizan EEG portátil podrían automatizar la monitorización de la salud cognitiva, especialmente en entornos con recursos limitados.