La herramienta desarrollada en la Universidad de California en San Francisco utiliza análisis de imágenes cerebrales y datos demográficos básicos para brindar a médicos información pronóstica temprana en la enfermedad
Investigadores de la Universidad de California en San Francisco desarrollaron un modelo de inteligencia artificial capaz de anticipar el deterioro cognitivo mediante una sola resonancia magnética y datos demográficos (Imagen Ilustrativa Infobae)
La demencia, según la Organización Mundial de la Salud (OMS), representa actualmente la séptima causa de defunción y es una de las principales razones de discapacidad y dependencia entre personas mayores en todo el mundo.
De todas sus formas, la enfermedad de Alzheimer representa entre el 60% y el 70% de los casos, lo que la convierte en el trastorno neurodegenerativo más prevalente del planeta. Estos datos reflejan la urgencia clínica y social de mejorar tanto la predicción como el seguimiento y tratamiento de la enfermedad.
Un hito reciente, publicado en la revista Nature Aging, podría transformar el abordaje diagnóstico del Alzheimer. Investigadores de la Universidad de California en San Francisco (UCSF) desarrollaron una estrategia de aprendizaje profundo multitarea capaz de anticipar el deterioro cognitivo a partir de una única resonancia magnética y datos demográficos simples, según el reporte presentado por el equipo liderado por Ashish Raj, profesor de Radiología e Imagen Biomédica.
Ilustración de un cerebro humano estilizado formado por piezas de rompecabezas de colores azul, amarillo, coral y verde, sobre un fondo crema liso. Algunas piezas están separadas
La nueva estrategia diagnóstica supera en precisión a todos los modelos de aprendizaje automático anteriores en la predicción y seguimiento del Alzheimer (Imagen Ilustrativa Infobae)
La metodología no requiere de pruebas complejas como tomografías por emisión de positrones (PET), análisis genéticos o tests neurocognitivos extensivos. El sistema demostró superar la precisión de todos los modelos de inteligencia artificial existentes hasta el momento, incluyendo los basados en aprendizaje por transferencia, modalidad ampliamente utilizada cuando los datos disponibles son limitados.
Entre los aportes concretos, el trabajo comprobó que el modelo lograba predecir de forma pionera resultados clínicos relevantes: diagnóstico de Alzheimer, segmentación de tejidos cerebrales y puntuaciones cognitivas tanto actuales como futuras, todo sobre la base de una sola exploración inicial. Esta capacidad, subraya Raj, “convierte a la herramienta en un recurso rápido, preciso y fácil de implementar en la mayoría de los entornos clínicos”, eliminando la necesidad de conocimiento informático especializado o infraestructura avanzada para su puesta en marcha.