El cribado del Alzheimer da un salto con el modelo de aprendizaje automático de Japón

En un desarrollo innovador, la Universidad de Oita, basada en Japón, y la empresa farmacéutica Eisai Co. han presentado el primer modelo de aprendizaje automático del mundo diseñado para predecir la acumulación de beta-amiloide (Aβ) en el cerebro, un factor patológico fundamental en la enfermedad de Alzheimer (EA).

Este modelo revolucionario aprovecha los datos recopilados de sensores de pulsera para realizar un cribado fácil de la acumulación de Aβ cerebral utilizando datos biológicos y de estilo de vida.

Una solución a los desafíos de la detección temprana

La enfermedad de Alzheimer, que representa más del 60 % de los casos de demencia, se caracteriza por la acumulación gradual de Aβ en el cerebro. Este proceso comienza aproximadamente dos décadas antes de la aparición de los síntomas clínicos. 

Como respuesta a esta cuestión urgente, se han realizado esfuerzos para desarrollar fármacos terapéuticos dirigidos a Aβ, culminando con la aprobación en Japón de un anticuerpo monoclonal humanizado anti-agregado soluble de Aβ.

La eficacia de estos medicamentos depende de la detección temprana de la acumulación de Aβ en personas con deterioro cognitivo leve, idealmente antes de la manifestación de los síntomas. La identificación de la acumulación de Aβ cerebral depende de métodos costosos e invasivos, como la tomografía por emisión de positrones (PET de amiloide) y las pruebas de líquido cefalorraquídeo (pruebas de LCR). 

Estas pruebas están limitadas a instituciones médicas seleccionadas y conllevan cargas financieras y procedimentales considerables. En consecuencia, ha habido una búsqueda persistente de un método de cribado asequible y fácil de usar para identificar a los candidatos que necesitan pruebas de PET de amiloide o de LCR.

Mientras que estudios anteriores han intentado predecir la acumulación de Aβ cerebral utilizando pruebas de función cognitiva, análisis de sangre y neuroimagen, este estudio de aprendizaje automático representa un enfoque pionero centrado en los «datos biológicos» y los «datos de estilo de vida».

El avance del aprendizaje automático

La colaboración entre la Universidad de Oita y Eisai Co. ha dado lugar a un modelo pionero de aprendizaje automático capaz de predecir la acumulación de Aβ cerebral. Lo que distingue a este modelo es su utilización de datos de sensores de pulsera, un cambio respecto a las pruebas cognitivas y de imagen convencionales. 

Al aprovechar los datos biológicos y de estilo de vida, esta tecnología de vanguardia ofrece una solución prometedora para el cribado temprano de la enfermedad de Alzheimer.

El papel de la beta-amiloide (Aβ)

La beta-amiloide (Aβ) es una proteína que desempeña un papel central en el desarrollo de la enfermedad de Alzheimer. En la EA, la Aβ comienza a acumularse en el cerebro mucho antes de que los síntomas clínicos sean evidentes. Esta acumulación es un factor patológico crítico, lo que la convierte en un objetivo principal para las intervenciones terapéuticas. 

Detectar la acumulación de Aβ de forma temprana es esencial para maximizar la eficacia del tratamiento, ya que permite una intervención médica oportuna que podría ralentizar o mitigar la progresión de la enfermedad.

Métodos de detección tradicionales

La tomografía por emisión de positrones (PET de amiloide) y las pruebas de líquido cefalorraquídeo (pruebas de LCR) han sido tradicionalmente los medios principales para detectar la acumulación de Aβ cerebral. Sin embargo, estos métodos presentan varios desafíos:

Disponibilidad limitada: No todas las instituciones médicas tienen la capacidad de realizar pruebas de PET de amiloide o de LCR, lo que limita el acceso a estas herramientas diagnósticas.

Altos costes: Estas pruebas pueden ser prohibitivamente caras, lo que las convierte en una carga financiera para muchos pacientes.

Invasividad: Los procedimientos de PET de amiloide y las pruebas de LCR pueden ser invasivos e incómodos para los pacientes.

El enfoque novedoso

El innovador modelo de aprendizaje automático desarrollado por la Universidad de Oita y Eisai Co. representa un cambio significativo respecto a los métodos de detección tradicionales. Al incorporar datos de sensores de pulsera, este enfoque aprovecha los datos biológicos y de estilo de vida para predecir la acumulación de Aβ cerebral.

Esta innovación promete un medio más accesible, rentable y no invasivo para identificar a las personas en riesgo de padecer la enfermedad de Alzheimer.

Varios factores de riesgo, incluidos el estilo de vida y las condiciones médicas como la falta de ejercicio, el aislamiento social, los trastornos del sueño, la hipertensión, la diabetes y las enfermedades cardiovasculares, influyen en la enfermedad de Alzheimer. 

Mientras que los estudios anteriores se han basado principalmente en pruebas cognitivas y de imagen, este modelo de aprendizaje automático considera una gama más amplia de «datos biológicos» y «datos de estilo de vida» para mejorar sus capacidades predictivas.