Aprendizaje automático y sensores portátiles en la detección temprana del cambio cognitivo en CADASIL

Área de la Ciencia:

• Neurología
• Ingeniería Biomédica
• Inteligencia Artificial

Sus antecedentes:

• La arteriografía autosómica dominante cerebral con infartos subcorticales y leucencefalopatía (CADASIL) es una enfermedad genética de pequeños vasos que causa un deterioro cognitivo progresivo.
• La detección temprana del deterioro cognitivo en CADASIL es un desafío debido a las limitaciones de los métodos de diagnóstico convencionales en la fase prodrómica.

Objetivo del estudio:

• Explorar el potencial de la tecnología de sensores portátiles y el aprendizaje automático para la detección temprana y no invasiva de cambios cognitivos en CADASIL.
• Establecer un marco para la monitorización continua y personalizada y la estratificación del riesgo de pacientes con CADASIL.

Principales métodos:

• Utilización de algoritmos de aprendizaje automático para analizar datos multimodales de sensores portátiles, incluidas señales de marcha, habla, sueño y fisiológicas.
• Desarrollo de estrategias de fenotipado digital para la evaluación en tiempo real de la función cognitiva fuera de los entornos clínicos tradicionales.

Principales resultados:

• Identificación de marcadores predictivos de deterioro cognitivo temprano en pacientes con CADASIL a través del análisis impulsado por IA de datos de sensores portátiles.
• Demostración de la viabilidad de la monitorización continua y personalizada de cambios cognitivos sutiles.

Conclusiones:

• La integración del fenotipado digital basado en portátiles con análisis de IA ofrece un enfoque prometedor para mejorar la detección temprana, la estratificación del riesgo y el seguimiento longitudinal en la atención de CADASIL.
• Esta tecnología tiene el potencial de transformar el manejo de la enfermedad al permitir intervenciones más tempranas.