Identificar con precisión una enfermedad neurodegenerativa, como el alzhéimer, la demencia frontotemporal o la enfermedad de Parkinson, es una tarea compleja que requiere una profunda experiencia clínica y conocimientos especializados en neurología. Estas patologías comparten síntomas que pueden solaparse entre sí, lo que complica su diagnóstico diferencial, especialmente en fases tempranas o atípicas. Además, su evolución es variable y muchas veces impredecible, lo que añade un nivel más de dificultad en la valoración de cada paciente.
En este contexto, los sistemas de apoyo a la toma de decisiones clínicas (SADC) impulsados por inteligencia artificial (IA) y aprendizaje automático (machine learning, ML) están emergiendo como herramientas prometedoras para asistir a los profesionales sanitarios en la interpretación de datos complejos. Estas tecnologías pueden complementar la experiencia médica al detectar patrones sutiles en las pruebas de imagen o en los datos clínicos, ayudando a reducir errores, ganar tiempo y aumentar la precisión diagnóstica. Sin embargo, a pesar de su potencial, su integración efectiva en la práctica clínica sigue enfrentándose a múltiples barreras técnicas, organizativas y éticas.
Un nuevo estudio internacional, publicado en la revista Neurology, propone un enfoque innovador que podría contribuir a superar estos obstáculos. Los investigadores han desarrollado un marco de modelado basado en imágenes de tomografía por emisión de positrones con fluorodesoxiglucosa (FDG-PET), una técnica que permite medir la actividad metabólica cerebral. Esta herramienta ha servido como base para crear un SADC al que han llamado StateViewer, diseñado específicamente para detectar y clasificar diversos fenotipos neurodegenerativos.
El estudio, de carácter retrospectivo, se centró en una amplia cohorte de descubrimiento integrada por 3.671 personas con una edad media de 68 años, de las cuales el 49% eran mujeres. Esta cohorte incluía tanto a pacientes diagnosticados con uno de nueve síndromes neurodegenerativos específicos como a individuos sin deterioro cognitivo, reclutados en su mayoría de estudios poblacionales. Uno de los criterios clave de inclusión fue la disponibilidad de una imagen FDG-PET tomada dentro de un plazo de dos años y medio desde el diagnóstico clínico, lo que garantizaba una base temporal sólida para el análisis.
Validar la precisión de esta herramienta
La herramienta desarrollada emplea un algoritmo de coincidencia de vecinos —una técnica habitual en machine learning— para comparar las imágenes de un nuevo paciente con un conjunto de casos previamente clasificados. De este modo, StateViewer puede identificar patrones similares y asignar una probabilidad de pertenencia a uno u otro fenotipo. En concreto, el sistema fue entrenado para reconocer nueve tipos distintos de enfermedades neurodegenerativas, lo que le confiere una notable versatilidad frente a modelos centrados en una sola patología.
Para validar la precisión del modelo, los investigadores emplearon una estrategia de validación cruzada anidada dentro de la propia cohorte de descubrimiento, y también llevaron a cabo una validación externa utilizando datos de la conocida Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI, por sus siglas en inglés). Los resultados fueron prometedores: el modelo alcanzó una sensibilidad media del 89% y un área bajo la curva ROC (AUC) del 93%, lo que indica un excelente rendimiento en la discriminación entre diferentes síndromes.
Además del análisis técnico, los investigadores pusieron a prueba la utilidad clínica del modelo en un estudio específico con radiólogos. En este ejercicio, los especialistas debían distinguir entre dos entidades que suelen generar confusión diagnóstica: la atrofia cortical posterior y la demencia con cuerpos de Lewy. Aquellos que contaron con el apoyo de StateViewer mostraron una probabilidad 3,3 veces mayor de acertar en el diagnóstico que los que se basaron exclusivamente en los estándares actuales de atención. Este hallazgo refuerza la idea de que la inteligencia artificial puede actuar como un valioso copiloto para los profesionales, mejorando su capacidad de diagnóstico sin reemplazar su criterio clínico.
Fortalezas y limitaciones del nuevo modelo
Según los autores del estudio, una de las principales fortalezas de la herramienta es su alta interpretabilidad, una cualidad especialmente relevante para su aceptación en entornos sanitarios. A diferencia de otros algoritmos de «caja negra», cuyas decisiones resultan difíciles de justificar, StateViewer ofrece una visualización clara del razonamiento subyacente a cada predicción. Esta transparencia es clave para que los profesionales confíen en la herramienta y puedan utilizarla de manera efectiva en la toma de decisiones compartidas con los pacientes y sus familias.
No obstante, el estudio también presenta algunas limitaciones. Una de las principales es que la cohorte de descubrimiento era relativamente homogénea, lo que podría reducir la capacidad del modelo para generalizar sus resultados a otras poblaciones con características clínicas o demográficas diferentes. Por ello, los autores recomiendan validar la herramienta en entornos clínicos reales y con muestras más diversas antes de plantear su adopción generalizada.
A pesar de estos desafíos, el trabajo representa un importante paso hacia una medicina más personalizada y asistida por tecnología en el ámbito de las enfermedades neurodegenerativas. En un momento en que el envejecimiento de la población está incrementando de forma constante la prevalencia de estas patologías, contar con herramientas precisas y escalables para su detección temprana puede marcar una diferencia significativa tanto para los pacientes como para los sistemas de salud.
