Biomarcadores

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.