Investigación publicada en Lancet Digital Health describe nuevo modelo de inteligencia artificial (IA) que agrupa los patrones de síntomas típicos de la enfermedad de Parkinson. El modelo también predice la progresión de estos síntomas en términos de tiempo y gravedad.
En 1998, Michael J. Fox, el actor que personificó a Marty McFly en «Volver al futuro» sorprendió al mundo con su revelación: padecía la enfermedad de Parkinson, diagnóstico que recibió a los 29 años. Dos años más tarde, lanzó la fundación que lleva su nombre para financiar la investigación de la patología que afecta a más de seis millones de personas en el mundo.
En 2018, la Fundación Michael J. Fox e IBM Research anunciaron una alianza para aplicar aprendizaje automático, lo que derivó en el trabajo, “Descubrimiento de estados de enfermedad de Parkinson mediante aprendizaje automático y datos longitudinales”. Allí, se detalla un nuevo modelo de IA que agrupa los patrones de síntomas típicos de la enfermedad de Parkinson. El modelo también predice la progresión de estos síntomas en tiempo y gravedad, aprendiendo de lo que se conoce como datos longitudinales del paciente, es decir, descripciones del estado clínico de un paciente recopiladas a lo largo del tiempo.
El objetivo es utilizar la IA para contribuir a la gestión y el diseño de ensayos clínicos. Estas metas son importantes porque, pese a la prevalencia de Parkinson, los pacientes experimentan una variedad única de síntomas, tanto motores como no motores. Se espera que el uso de machine learning para aprender de grandes cantidades de datos de pacientes permita a los médicos e investigadores contar con una nueva herramienta para predecir mejor la progresión notoriamente variable de los síntomas en pacientes individuales de Parkinson. Asimismo, que ello permita gestionar y tratar la enfermedad de manera más efectiva, y que dé lugar a la posibilidad de identificar a los mejores candidatos para ensayos clínicos que sean más específicos y efectivos.
Aprendizaje automático
El trabajo científico se enfocó en desarrollar un método para algunos de los desafíos únicos de las aplicaciones para la atención de la salud, entre ellas, permitir predicciones personalizadas y dar cuenta de los efectos de los medicamentos en las mediciones de síntomas. Esta vez, se probaron los métodos de IA con datos de la Iniciativa de Marcadores de Progresión de Parkinson. La Fundación Michael J. Fox patrocina este estudio internacional y pone a disposición de los investigadores su conjunto de datos no identificable individualmente –uno de los más grandes del mundo referidos a la enfermedad de Parkinson.
El conjunto de datos sirvió como insumo para el enfoque de aprendizaje automático, lo que permitió descubrir patrones complejos de síntomas y progresión. Muchos estudios han buscado caracterizar la enfermedad de Parkinson utilizando solo información de base, pero este método utiliza hasta siete años de datos de pacientes. Además, el modelo realiza supuestos limitados a priori acerca de vías de progresión, en comparación con estudios anteriores.
Predecir la enfermedad
Estas decisiones de modelado han permitido a los investigadores obtener más información sobre los estados de la enfermedad y las vías de progresión. Los resultados sugieren que el estado de un paciente puede variar en una serie de factores, como la capacidad para realizar actividades cotidianas; problemas relacionados con la lentitud motriz, el temblor y la inestabilidad postural; así como síntomas no motores, entre ellos, depresión, ansiedad, deterioro cognitivo y trastornos del sueño.
Los resultados apoyan la hipótesis de que existen diversas vías de progresión, tal como lo indican las numerosas trayectorias de enfermedades que se han estudiado. Sin embargo, el modelo de IA aún puede realizar predicciones precisas. Debido a que el modelo se nutre de un conjunto de datos, ha podido predecir con éxito un estado avanzado de la enfermedad de Parkinson asociado con resultados como la demencia y la incapacidad para caminar sin asistencia.
Se espera que, al permitir este tipo de predicciones, el modelo pueda ayudar con la gestión y proporcionar criterios de inclusión y definición de resultados más específicos durante el diseño del ensayo clínico. Sin embargo, todavía queda mucho trabajo. Por ejemplo, el equipo espera refinar el modelo para proporcionar una caracterización aún más granular de los estados de enfermedad mediante la incorporación de evaluaciones de biomarcadores emergentes, como las mediciones genómicas y neuroimágenes.
