A nivel mundial, la demencia plantea un importante desafío sanitario: afecta a más de 55 millones de personas en todo el mundo y tiene un coste anual estimado de 820.000 millones de dólares. Además, se prevé que el número de casos casi se triplique en los próximos 50 años. El tipo principal es la enfermedad de Alzheimer, que representa entre el 60 y el 80% de los casos. Pese a que la detección temprana de esta enfermedad es crucial para aumentar la eficacia de los tratamientos, el diagnóstico y pronóstico tempranos de la demencia pueden no ser precisos sin el uso de pruebas invasivas o costosas. Hasta un tercio de los pacientes pueden ser mal diagnosticados por ello.
Con el objetivo de solucionar esto, un equipo dirigido por científicos del Departamento de Psicología de la Universidad de Cambridge ha desarrollado un modelo de aprendizaje automático capaz de predecir si una persona con problemas leves de memoria y pensamiento desarrollará la enfermedad de Alzheimer y con qué rapidez. En una investigación publicada en eClinical Medicine, demuestran que es más preciso que las herramientas de diagnóstico clínico actuales. Gracias al nuevo enfoque, se podría reducir la necesidad de pruebas diagnósticas invasivas y costosas, a la vez que se mejoran los resultados del tratamiento en una etapa temprana.
"Hemos creado una herramienta que, a pesar de utilizar solo datos de pruebas cognitivas y resonancias magnéticas, es mucho más sensible que los enfoques actuales"
"Hemos creado una herramienta que, a pesar de utilizar solo datos de pruebas cognitivas y resonancias magnéticas, es mucho más sensible que los enfoques actuales para predecir si alguien progresará de síntomas leves a alzhéimer y, de ser así, si este progreso será rápido o lento”, indica la profesora Zoe Kourtzi, del Departamento de Psicología de la Universidad de Cambridge y autora principal. “Esto tiene el potencial de mejorar significativamente el bienestar de los pacientes, mostrándonos qué personas necesitan una atención más cercana, al tiempo que elimina la ansiedad de aquellos pacientes que prevemos que permanecerán estables. En un momento de intensa presión sobre los recursos sanitarios, esto también ayudará a eliminar la necesidad de pruebas diagnósticas invasivas y costosas innecesarias”.
Ahora, el equipo espera ampliar su modelo a otras formas de demencia, como la demencia vascular y la demencia frontotemporal, y utilizar diferentes tipos de datos, como marcadores de análisis de sangre. “Si vamos a hacer frente al creciente desafío sanitario que plantea la demencia, necesitaremos mejores herramientas para identificarla e intervenir en la etapa más temprana posible. Nuestra herramienta puede ayudar a vincular a los pacientes adecuados con los ensayos clínicos, acelerando el descubrimiento de nuevos fármacos para tratamientos modificadores de la enfermedad”.
¿CÓMO SE HA DESARROLLADO?
Los investigadores utilizaron datos de pacientes recopilados de forma rutinaria, no invasiva y de bajo costo, como pruebas cognitivas y exploraciones de resonancia magnética estructural que mostraban atrofia de la materia gris, de más de 400 personas. Tras ello, probaron el modelo empleando datos de pacientes reales de otros 600 participantes de la misma cohorte de investigación en Estados Unidos, además de datos longitudinales de 900 personas de clínicas de memoria del Reino Unido y Singapur. El algoritmo pudo distinguir entre personas con deterioro cognitivo leve estable y aquellas que progresaron a la enfermedad de Alzheimer en un periodo de tres años.
A su vez, identificó correctamente a las personas que desarrollaron Alzheimer en el 82% de los casos y a las que no lo desarrollaron en el 81% de los casos. Todo ello, a partir de pruebas cognitivas y una resonancia magnética. Por otro lado, el algoritmo también fue más preciso a la hora de predecir la progresión hacia el Alzheimer que los marcadores clínicos estándar, como la atrofia de la materia gris o las puntuaciones cognitivas. En concreto, fue tres veces más preciso que otros marcadores. Con ello, se ha demostrado que el modelo podría reducir significativamente los diagnósticos erróneos.
El algoritmo pudo distinguir entre personas con deterioro cognitivo leve estable y aquellas que progresaron a la enfermedad de Alzheimer en un periodo de tres años
El modelo permitió también que los investigadores pudieran estratificar a las personas con alzhéimer empleando datos de la primera visita de cada persona a la clínica de memoria en tres grupos: aquellos cuyos síntomas se mantendrían estables (alrededor del 50% de los participantes), aquellos que progresarían lentamente hacia el Alzheimer (alrededor del 35%) y aquellos que progresarían más rápidamente (el 15% restante). Las predicciones se validaron al observar los datos de seguimiento durante seis años.
Con esto se podría ayudar a identificar a aquellas personas en una etapa lo suficientemente temprana como para que puedan beneficiarse de nuevos tratamientos, al mismo tiempo que se identifica a las personas que necesitan un seguimiento cercano, puesto que es probable que su condición se deteriore rápidamente. Es importante señalar que ese 50% de personas que presentan síntomas tales como pérdida de memoria, pero permanecen estables, estarían mejor dirigidas a una vía clínica diferente, ya que sus síntomas pueden deberse a otras causas además de la demencia, como la ansiedad o la depresión.
Pese a que los investigadores probaron el algoritmo con datos de una cohorte de investigación, lo validaron gracias a datos independientes que incluían a casi 900 personas que asistieron a clínicas de memoria en el Reino Unido y Singapur. En concreto, en Reino Unido los pacientes fueron reclutados a través del estudio de resonancia magnética cuantitativa en clínicas de memoria del NHS (QMIN-MC), dirigido por el coautor del estudio, el Dr. Timothy Rittman, del Cambridge University Hospitals NHS Trust y del Cambridgeshire and Peterborough NHS Foundation Trusts (CPFT). De acuerdo con los investigadores, esto demuestra que debería ser aplicable en un entorno clínico con pacientes del mundo real.