Un estudio publicado en la revista médica. La lanceta evaluó el uso del aprendizaje automático y de datos recopilados clínicamente (como puntuaciones de detección cognitiva y conductual) para clasificar y discriminar la DFT y la enfermedad de Alzheimer (EA) en grupos subrepresentados.

El diagnóstico de la DFT y otras demencias es complicado; el diagnóstico de la DFT tarda en promedio 3,6 años. Como destaca el estudio, quienes buscan un diagnóstico en los países latinoamericanos enfrentan obstáculos adicionales, como la falta de prácticas de diagnóstico estandarizadas en todos los países y la diversidad de los diversos instrumentos utilizados para evaluar el estado cognitivo. Además, las tecnologías y métodos eficaces en el diagnóstico, como las imágenes PET con amiloide/tau o las herramientas de evaluación de biomarcadores basados en fluidos, son menos accesibles para los profesionales en América Latina.

Estos obstáculos al diagnóstico también impiden la investigación. Las diferencias en la composición sociocultural y genética de los países y los niveles variables de experiencia clínica en DFT y EA dificultan la recopilación de datos que puedan generalizarse y compararse con otros países.

Para abordar los obstáculos que enfrentan los profesionales en América Latina, los autores del estudio presentan un marco computacional para clasificar FTD y AD que puede utilizar eficazmente diversas muestras. El marco combina el análisis estadístico tradicional con modelos más nuevos de aprendizaje automático. Utilizando este marco, los autores identificaron las características más generalizables de FTD y AD que pueden usarse para discriminar entre las enfermedades y entre personas que viven y no viven con una forma de demencia.

Los investigadores reclutaron a 1.792 participantes de 11 centros que son miembros del Consorcio de Socios Múltiples para Expandir la Investigación sobre la Demencia en América Latina (tres en Argentina y Colombia, dos en Chile y México, y uno en Perú). Todos los participantes fueron diagnosticados con FTD o AD siguiendo los procedimientos estándar en cada centro.

Los autores descubrieron que Random Forest (RF), un modelo de aprendizaje automático que funciona bien con datos complejos, era el más eficaz para clasificar FTD y AD. A pesar de la diversidad demográfica de los participantes y las muestras que proporcionaron, la RF siguió siendo muy eficaz para clasificar la DFT y la EA, y los autores observaron una calificación de eficiencia de 93%.

Utilizando el modelo RF, los autores encontraron que los datos de exámenes cognitivos, pruebas de cognición social, medidas de funcionamiento ejecutivo y exámenes neuropsiquiátricos mostraron la mayor capacidad para clasificar la DFT y la EA. Específicamente para la DFT, las medidas de cognición social y neuropsiquiátrica fueron las más útiles para clasificar la enfermedad.

El aprendizaje automático es una herramienta cada vez más prometedora para diagnosticar e investigar la FTD. haga clic aquí para leer sobre un estudio alemán que también evaluó la efectividad del aprendizaje automático en la investigación de FTD.