Inteligencia artificial para identificar pacientes con alzheimer en etapas iniciales de la enfermedad
RESOLVD: Mejorar la eficiencia de las redes de distribución
julio 2, 2018
Nuevas tecnologías para un vehículo eléctrico más eficiente
junio 1, 2018El laboratorio de Bioinformática y Señales Biomédicas del Centro de Investigación en Ingeniería Biomédica (CREB UPC) han desarrollado un sistema de detección precoz del Alzheimer mediante la identificación y caracterización de las zonas corticales y subcorticales del cerebro de personas adultas sanas.
Un estudio realizado por el grupo de Bioinformática y Señales Biomédicas del Centro de Investigación en Ingeniería Biomédica (CREB UPC) centrado en el diagnóstico actual y futuro de la enfermedad de Alzheimer (AD), ha identificado y caracterizado zonas corticales y subcorticales del cerebro de personas adultas sanas. El objetivo ha sido identificar pacientes en una etapa inicial de la enfermedad como el estado de deterioro cognitivo leve y predecir así la progresión futura a demencia debido a Alzheimer.
Caracterizar e identificar estas zonas significativas a través de métodos de aprendizaje estadístico, ha permitido desarrollar modelos capaces de predecir el diagnóstico actual con una precisión de más del 90%; así como de predecir el diagnóstico futuro de progresión a Alzheimer con una anticipación de hasta 1.85 años.
La enfermedad
El Alzheimer es un trastorno neurodegenerativo caracterizado por cambios patológicos en el cerebro que comienzan varios años antes de aparecer los primeros síntomas clínicos. La identificación temprana y precisa de estos cambios neuropatológicos es un requerimiento crucial para que la enfermedad sea abordada en sus primeras etapas, antes de producirse un deterioro morfológico y mental irreversible. El envejecimiento es su principal factor de riesgo, cuya prevalencia está aumentando a medida que la población mundial envejece. Sabemos que el cerebro de las personas mayores es más susceptible que el de la gente joven; sin embargo, este estudio ha identificado que los cerebros de los adultos mayores sanos y el de los sujetos en la fase intermedia de deterioro cognitivo leve (MCI) también presentan cambios morfológicos en regiones relacionadas con Alzheimer, y siguen un patrón frontotemporal.
Modelos de aprendizaje estadístico basados en personas sanas que ayudan a predecir la enfermedad en pacientes con AD
Este estudio se ha basado en biomarcadores de neurodegeneración longitudinales obtenidos de imágenes de Resonancia Magnética (MRI) de aproximadamente 800 participantes del estudio multinacional Alzheimer’s Disease Neuroimaging Initiative. Esta población incluyó participantes clasificados inicialmente como sanos (o controles), otros con deterioro cognitivo leve debido a Alzheimer, y otros con Alzheimer avanzado. Dichos biomarcadores, junto a otros atributos psicológicos y sociodemográficos como la edad, el género y el nivel de educación, fueron observados durante un exhaustivo seguimiento de 5 años.
Los biomarcadores que cambiaron significativamente y los que cambiaron levemente fueron caracterizados en los participantes sanos con la finalidad de entrenar modelos nulos (es decir, modelos obtenidos a partir de pacientes sanos y utilizados para modelizar el proceso natural de atrofia por el envejecimiento), que caracterizaron el patrón de atrofia normal del cerebro debido al envejecimiento.
Se caracterizaron los biomarcadores que cambiaron significativamente y los que cambiaron levemente para personas sanas sin ningún indicio de demencia, con la finalidad de crear modelos que establecieran el patrón de atrofia normal del cerebro debido al envejecimiento.
El grado de cambio de los biomarcadores de neurodegeneración de los grupos restantes (los que estaban en estado de deterioro cognitivo leve y los ya diagnosticados de Alzheimer), fueron comparados con los valores inferidos por estos modelos nulos, y se calcularon diferencias o residuos para cada biomarcador. A partir de los resultados de esos residuos se diseñaron modelos de inteligencia artificial capaces de discriminar los residuos normales de aquellos residuos con un factor patólogico intrínsico, indicadores de la presencia de la enfermad en sus etapas iniciales.
Los resultados de este estudio han sido publicados en la revista PlosOne y en la tesi doctoral de Giovana Gavidia como parte del programa doctoral de Ingeniería Biomédica de la UPC.
Proyectos Relacionados
- El Centro de Desarrollo de Sensores, Instrumentación y Sistemas (CD6) de la Universitat Politècnica de Catalunya - BarcelonaTech (UPC) participa en PhotonHub Europe, un proyecto europeo en el marco del cual se establece un único centro de innovación paneuropeo en fotónica como solución de ventanilla única, que integra soluciones fotónicas pioneras
- El centro de investigación Intelligent Data Science and Artificial Intelligence (IDEAI) forma parte del proyecto AI4HealthyAging, que desarrollará soluciones inteligentes para la detección precoz de enfermedades neurológicas, motoras y degenerativas derivadas del envejecimiento.
- El proyecto Hospitales 4.0 – Machine learning para una gestión más efectiva, en el que participa el Grupo MCIA de la Universitat Politècnica de Catalunya, tiene como principal objetivo la construcción de un digital twin que permitirá un sistema de gestión de equipos predictivo y correctivo.
- El proyecto Fotónica biomédica y machine learning para el diagnóstico y tratamiento de disfunciones oculares, deterioro cognitivo y enfermedades hematológicas (BIOPHOCH), liderado por el Centro de Desarrollo de Sensores, Instrumentación y Sistemas (CD6), tiene como objetivo desarrollar nuevas herramientas y metodologías para el análisis de imágenes y el procesamiento de datos en el ámbito de la salud a través de las tecnologías fotónicas.
