Un modelo predictivo para el deterioro cognitivo utilizando determinantes sociales de la salud

Área de la Ciencia:

• Gerontología; Salud Pública; Neurociencia Computacional

Sus antecedentes:

• El diagnóstico temprano de la enfermedad de Alzheimer y las demencias relacionadas (AD/ADRD) es crucial pero se ve obstaculizado por el acceso limitado a biomarcadores, especialmente en áreas de bajos recursos.; Se necesitan métodos accesibles para identificar a las personas en riesgo de deterioro cognitivo.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático para predecir el deterioro cognitivo utilizando datos de encuestas fácilmente disponibles.; Garantizar la interpretabilidad y la equidad del modelo en diversas poblaciones.

Principales métodos:

• Se desarrolló un modelo de aprendizaje automático de conjunto apilado utilizando datos longitudinales del Estudio Mexicano de Salud y Envejecimiento (MHAS) (N=4095).; El modelo utilizó variables demográficas, de estilo de vida y de determinantes sociales de la salud (SDoH) de 2003-2012.; Un meta-modelo de regresión Ridge combinó predicciones de modelos base de Random Forest, LightGBM, XGBoost, Lasso y K-Nearest Neighbors.

Principales resultados:

• El modelo predictivo logró un error cuadrático medio (RMSE) de 39,25 (10,2% del rango de la puntuación cognitiva) en un conjunto de prueba retenido.; Los predictores clave incluyeron educación, edad, hábitos de lectura, condiciones de vida, compromiso social y educación de los padres.; El análisis de equidad indicó posibles sesgos en subgrupos subrepresentados, como aquellos con 7-9 años de educación.

Conclusiones:

• Los datos de encuestas SDoH accesibles y de bajo costo pueden predecir eficazmente el riesgo de deterioro cognitivo en poblaciones de edad avanzada.; La integración de evaluaciones de equidad en el modelado predictivo es esencial para una aplicación equitativa en diversos grupos.; Este enfoque apoya la detección temprana de AD/ADRD, particularmente en entornos con recursos limitados.