Biomarcadores

Área de la Ciencia:

• Neurociencia
• Descubrimiento de biomarcadores
• Biología computacional

Sus antecedentes:

• La enfermedad de Alzheimer (EA) representa un desafío creciente para la atención médica, lo que requiere un diagnóstico temprano para una intervención eficaz.
• Los diagnósticos tradicionales de EA (neuroimagen, biomarcadores invasivos) son costosos e inaccesibles para el monitoreo de rutina.
• Los biomarcadores no invasivos y asequibles son cruciales para la detección temprana de la EA, alineándose con el marco ATN (amiloide, tau, neurodegeneración).

Objetivo del estudio:

• Investigar el potencial de las características del habla y los factores cardiovasculares para predecir las patologías ATN de la enfermedad de Alzheimer (EA).
• Desarrollar y comparar modelos de aprendizaje automático para la detección temprana de la EA utilizando datos no invasivos integrados.
• Establecer un enfoque diagnóstico escalable y accesible para la EA.

Principales métodos:

• Datos agregados de 1011 participantes utilizando la plataforma Bio-Hermes.
• Clasificación de los participantes en grupos ATN y categorías clínicas (cognitivamente sanos, MCI, EA) utilizando umbrales de biomarcadores.
• Desarrollo y evaluación de cuatro modelos XGBoost: de referencia, cardiovascular, del habla y combinado, incorporando características demográficas, de estilo de vida, cardiovasculares y del habla.

Principales resultados:

• El modelo de referencia logró un ROC-AUC de 0.9103 y una precisión de 0.7097.
• Los modelos cardiovascular y del habla mostraron un rendimiento mejorado con ROC-AUC de 0.9254 y 0.9416, respectivamente.
• El modelo combinado que integra todas las características arrojó el mayor rendimiento, con un ROC-AUC de 0.9539 y una precisión de 0.8260.

Conclusiones:

• La integración de características cardiovasculares y del habla mejora significativamente la predicción de patologías ATN en la enfermedad de Alzheimer.
• Estos marcadores no invasivos demuestran potencial para la detección temprana de EA escalable y rentable.
• Los hallazgos respaldan el desarrollo de herramientas novedosas para reducir la dependencia de métodos de diagnóstico invasivos para la EA.