Investigación sobre el cuidado de la demencia y factores psicosociales

Área de la Ciencia:

• Neurociencia
• Ingeniería Biomédica
• Aprendizaje Automático

Sus antecedentes:

• La enfermedad de Alzheimer (EA) implica un declive cognitivo progresivo y neurodegeneración.
• Este estudio analiza las etapas estables y de transición de la progresión de la EA utilizando datos longitudinales.
• Un enfoque multidominio integra biomarcadores clínicos, de memoria y de imagen para predecir la progresión de la enfermedad.

Objetivo del estudio:

• Predecir si la condición de un paciente progresará a la siguiente etapa o permanecerá estable.
• Permitir intervenciones terapéuticas oportunas y personalizadas para la enfermedad de Alzheimer.
• Evaluar la progresión de la enfermedad derivando medidas de la tasa de cambio.

Principales métodos:

• Análisis longitudinal de 1416 pacientes en grupos estables (CN, MCI, AD) y de transición (CN a MCI, MCI a AD).
• Imputación de datos para valores faltantes (<5%) y exclusión de pacientes con >10% de datos faltantes.
• Clasificador Random Forest entrenado y probado en datos estratificados, evaluado mediante Precisión, ROC-AUC y sensibilidad-especificidad.

Principales resultados:

• Se observaron tendencias significativas en los biomarcadores cognitivos, de memoria y de imagen en las diferentes etapas de la enfermedad.
• Las transiciones de MCI a EA mostraron los cambios más pronunciados en las medidas cognitivas y de memoria, y atrofia estructural en las imágenes.
• El clasificador Random Forest logró altos valores de AUC (0.76-0.98), particularmente para las transiciones de MCI a EA.

Conclusiones:

• El aprendizaje automático con biomarcadores multidominio predice eficazmente la progresión de la enfermedad de Alzheimer.
• Biomarcadores clave como el cambio CDRSB y el cambio del hipocampo identifican las transiciones.
• Este enfoque apoya las intervenciones tempranas y personalizadas para la enfermedad de Alzheimer.