Durante décadas, el desarrollo de tratamientos contra la enfermedad de Alzheimer se ha enfrentado a grandes obstáculos. La alta variabilidad entre pacientes, la dificultad para identificar la fase temprana de la enfermedad y la falta de herramientas de predicción han contribuido a una tasa de fracaso en los ensayos clínicos superior al 95%. Pero un reciente estudio publicado en Nature Communications podría cambiar esta situación.
Un equipo de investigadores de la Universidad de Cambridge ha utilizado un modelo de inteligencia artificial (IA) para reanalizar el ensayo clínico AMARANTH, que evaluó la eficacia del fármaco lanabecestat en personas con deterioro cognitivo leve. El ensayo fue considerado un fracaso en su momento, ya que el fármaco no mostró beneficios en la población total estudiada. Sin embargo, el nuevo análisis con IA ha revelado una historia distinta.
Un modelo predictivo tres veces más preciso
El sistema, denominado PPM (Predictive Patient Model), combina aprendizaje automático multimodal con un enfoque clínico interpretativo. Está diseñado para clasificar con precisión a los pacientes según la rapidez con la que progresarán hacia fases avanzadas de Alzheimer. Según el equipo, su precisión es tres veces mayor que las evaluaciones clínicas estándar, que suelen basarse en pruebas cognitivas, resonancias magnéticas o marcadores como la proteína beta amiloide.
"Nuestro modelo proporciona una puntuación que indica la rapidez con la que cada paciente progresará hacia el alzhéimer", explicó la profesora Zoe Kourtzi, autora principal del estudio. "Esto nos permitió dividir con precisión a los pacientes en dos grupos: de progresión lenta y rápida, y evaluar el impacto del fármaco en cada uno".
El análisis mostró que, en el grupo de progresión lenta, el lanabecestat logró reducir el deterioro cognitivo en un 46% frente al placebo, además de eliminar depósitos de beta amiloide, uno de los primeros signos patológicos de la enfermedad. En cambio, en el grupo de progresión rápida, aunque también se observó una reducción de amiloide, no se registraron mejoras cognitivas significativas.
Nueva estrategia para salvar tratamientos "perdidos"
El hallazgo pone en evidencia un problema clave en los ensayos clínicos tradicionales: la heterogeneidad de los pacientes. Las diferencias en la evolución de la enfermedad entre individuos pueden ocultar la eficacia de un fármaco en subgrupos específicos. El modelo PPM no solo permite anticipar la evolución clínica, sino que ofrece una herramienta para redefinir los criterios de inclusión/exclusión en futuros ensayos, favoreciendo así una medicina más personalizada.
La capacidad del PPM para identificar a los pacientes con mayor probabilidad de beneficiarse de un tratamiento en fases tempranas podría ser un factor determinante para reducir los costes y tiempos de desarrollo de fármacos. "Si conseguimos seleccionar mejor a los participantes, podremos realizar ensayos más pequeños, más rápidos y con mayores probabilidades de éxito", afirmó Kourtzi.
El modelo fue entrenado con datos del consorcio internacional ADNI y probado con los del ensayo AMARANTH, lo que valida su capacidad para funcionar en contextos clínicos reales. Además, permite un análisis individualizado al proporcionar una predicción continua —y no binaria— del pronóstico cognitivo del paciente.
La integración de herramientas como el PPM en la práctica clínica también podría tener un impacto importante en la gestión sanitaria. En Reino Unido, por ejemplo, la demencia es la principal causa de muerte, con un coste anual estimado de 1,3 billones de dólares a nivel mundial, aseguran en el estudio. Con la previsión de que los casos se tripliquen para 2050, cualquier avance que permita tratamientos más eficaces y accesibles supone un alivio potencial para los sistemas de salud.
Joanna Dempsey, asesora principal de Health Innovation East England —organismo que apoya la implantación del modelo IA en el sistema sanitario británico— subrayó su relevancia: "Este enfoque podría reducir la presión sobre el NHS, permitiendo identificar de forma más precisa a los pacientes que responderán al tratamiento y facilitando un acceso más rápido a terapias eficaces".
Más allá del alzhéimer
El modelo de IA desarrollado por el equipo de Cambridge también ofrece lecciones para el diseño de futuros ensayos clínicos. Según los investigadores, su aplicación puede disminuir drásticamente el tamaño de muestra necesario para detectar beneficios, lo que resulta especialmente útil en enfermedades neurodegenerativas, donde reclutar pacientes adecuados es una tarea ardua y costosa.
"Hemos demostrado que un enfoque de estratificación inteligente basado en IA puede rescatar datos clínicos desechados y redefinir las reglas del juego", apuntó Kourtzi. "Ya no se trata solo de si un fármaco funciona en promedio, sino de para quién y en qué momento de la enfermedad puede marcar la diferencia".
El estudio también respalda el enfoque de otras terapias anti-amiloide recientemente aprobadas como lecanemab y donanemab, que han demostrado ralentizar la progresión del Alzheimer cuando se administran en fases tempranas. En este sentido, los investigadores sugieren que aplicar el modelo PPM desde el reclutamiento podría mejorar significativamente el rendimiento y la fiabilidad de este tipo de ensayos.
Aunque el PPM se ha validado principalmente con datos de neuroimagen y biomarcadores invasivos, los investigadores están trabajando para adaptarlo a datos más accesibles, como marcadores sanguíneos o pruebas cognitivas. Esto permitiría extender su uso a centros clínicos sin grandes recursos tecnológicos, ampliando el acceso a diagnósticos más precisos y tratamientos más eficaces.
