Generic selectors
Exact matches only
Search in title
Search in content
Search in posts
Search in pages

Científicos descubren ocho estados de la enfermedad de Parkinson a través de inteligencia artificial

Compartir

Los síntomas de esta enfermedad son usualmente la dificultad y lentitud en los movimientos, temblor de reposo, rigidez, inestabilidad postural y síntomas cognitivos. Pese a que se conoce el diagnostico hace varios años, el tratamiento sigue siendo un desafío para los médicos. Un estudio realizado en el Centro de Computación y Salud de Cambrigde en Inglaterra utilizó inteligencia artificial para identificar modelos y patrones para así identificar comportamientos futuros.

Publicado en El Mostrador el 23 de diciembre de 2021
Escrito por 

Corría el año 1998, y Michael J Fox, actor estadounidense conocido por protagonizar la trilogía de “Volver al futuro”, hacía público con un emotivo discurso su diagnóstico de enfermedad de Parkinson, dejando con esto una promisoria carrera en la actuación. En dicho discurso, relataba tras siete años de no aceptación y problemas con el alcohol, sus propias vivencias y tal vez la de muchas personas que padecían esta enfermedad y que, hasta entonces, no habían sido lo suficientemente visibilizadas.

¿Pero qué es la enfermedad de Parkinson? El Parkinson (EP) es una de las patologías neurodegenerativas más frecuentes en la población, con una prevalencia a nivel global de 2 por cada 1000 habitantes. Dichos casos se han duplicado en los últimos años, desde 2,5 millones de personas afectadas en 1990 a 6,1 millones el año 2016. En Chile por su parte, se presenta un aumento de 19,9% en los casos en el último tiempo, liderando el ranking a nivel latinoamericano.

En cuanto a los síntomas, esta enfermedad se caracteriza por la dificultad y lentitud en los movimientos (conocido medicamente como bradicinesia), temblor de reposo, rigidez, inestabilidad postural y síntomas cognitivos. A pesar de que han pasado muchos años desde su descubrimiento, su diagnóstico y manejo siguen siendo un desafío. Gran parte de esto, se debe a que la evolución de los pacientes que la padecen es muy variable, donde algunos siguen un curso relativamente benigno y otros progresan a una severa discapacidad.

Se han postulado diversos modelos para lograr dar frente a esta problemática, no obstante, estos tienden a ser rígidos, sin considerar todos los factores existentes, por lo que su reproducibilidad a la práctica clínica tiende a ser limitada.

Es por esto, que un grupo de científicos liderados por Kristen Severson, pertenecientes al Center for Computational Health en Cambrigde, se propusieron el año 2018 iniciar la tarea de elaborar un modelo de aprendizaje automático que analice la progresión de la EP y logre aminorar estas limitaciones.

Para dicho objetivo, se valieron de datos obtenidos de una cohorte de pacientes pertenecientes a la Iniciativa de Marcadores de Progresión de Parkinson (PPMI), un estudio multicéntrico lanzado el año 2010 en conjunto con la Fundación Michael J. Fox. Dicha fundación, corresponde a la asociación sin fines de lucro más grande del mundo en contra de la enfermedad de Parkinson, y fue fundada por el actor, que luego de su retiro de la actuación, se transformó en uno de los principales activistas de esta causa.

¿En qué consistió el proyecto?

En primer lugar, los investigadores seleccionaron 423 pacientes del estudio PPMI, los cuales debían contar con diagnóstico reciente de la enfermedad (antes de dos años) y cumplir con el requisito de no haber recibido tratamiento al inicio del estudio. Se rescataron los datos obtenidos durante un periodo de evaluación de siete años, considerando una serie de mediciones clínicas, consistentes en evaluaciones motoras, no motoras, exámenes imagenológicos, biomarcadores y respuesta a medicamentos.  Todas mediciones accesibles en una consulta médica de rutina.

Posteriormente los datos obtenidos fueron procesados mediante un modelo de aprendizaje automático, o “machine learning”, una popular herramienta de la inteligencia artificial, que consiste en crear sistemas o modelos que aprenden a través de un algoritmo de identificación de patrones, donde se pueden introducir millones de datos y el sistema es capaz de analizarlos y elaborar un modelo que permita predecir comportamientos futuros. En este estudio en concreto, se aplicó un modelo matemático al cual se le puso como objetivo identificar una pequeña cantidad de estados clínicamente relevantes de la Enfermedad de Parkinson, teniendo en cuenta los efectos de la medicación.

Dentro de los detalles del modelo, se limitó de tal forma que un paciente solo puede moverse progresivamente dentro de los estados, es decir un paciente no podría retroceder del estado 3 al estado 2, no obstante, no se requiere que un individuo progrese a través de todos los estados, por lo que un paciente podría saltar directamente del estado 1 al 3. Esta decisión fue motivada por la naturaleza degenerativa y heterogénea de la enfermedad de Parkinson.

Finalmente, todos los datos obtenidos del modelo fueron contrastados con un grupo control y validados con una cohorte de 610 pacientes de un estudio completamente independiente.

¿Cuáles fueron los resultados?

El modelo aplicado logró identificar de forma exitosa ocho estados bien definidos de la enfermedad de Parkinson. Estos estados se diferenciaron unos de otros por el patrón de presentación de los síntomas tanto motores como no motores, clasificados por su gravedad en leves, moderados y severos, según cómo se presentaban respectivamente en cada estado. De esta manera el modelo numeró los estados del 1 al 8, siendo el estado 1 el más leve, y 8 el estado más grave o terminal, es decir el que presentaba la mayor cantidad de síntomas clasificados como severos. Una vez llegando a este estado, sea cual fuera la forma de inicio, el pronóstico de los pacientes era muy similar.

No obstante, el hallazgo más interesante del estudio se observó al examinar los estados intermedios. A diferencia de modelos anteriores, al analizar la progresión de la enfermedad de Parkinson, ésta no fue siempre secuencial, pudiéndose presentar con múltiples trayectorias superpuestas. En términos sencillos, y a modo de ejemplo, un paciente que se diagnostica hoy en estado 4 podría con el tiempo progresar al estado 5, como a su vez, saltarse directamente al estado 6, siendo incluso esta última opción observada con mayor frecuencia en el estudio. Esto podría en parte, explicar por qué dos pacientes que inicialmente se observan de manera similar, progresan de manera diferenciada hacia el estado terminal.

Si pensamos en la enfermedad de Parkinson y la alteración de la calidad de vida que conlleva, una de las cosas que probablemente se nos vengan a la mente es el temblor. Si bien no es el síntoma más frecuente, es uno de los más fácilmente reconocibles a simple vista.  En este sentido, uno de los hallazgos interesantes del estudio fue observar que los estados que presentaron menor grado de temblor, (específicamente el 2 y 5) fueron aquellos que mostraron una progresión más rápida al estado terminal.  Esto concuerda con otros estudios, en los cuales a diferencia de lo que podríamos pensar, la ausencia de temblor en la enfermedad de Parkinson se mostró como un signo de mal pronóstico.

Finalmente, si analizamos los efectos de la medicación, se observó que en general las evaluaciones motoras como la rigidez y el temblor tienden a mejorar con la medicación, mientras que la sintomatología no motora tiende a ser más resistente a esta, incluso empeorando en algunos casos. Todo lo anterior reafirma la importancia de los signos no motores en el pronóstico de la enfermedad.

En definitiva, este estudio nos plantea una nueva forma de entender la enfermedad de Parkinson y nos sugiere que pretender asignar estados estáticos a la misma, podría ser ineficaz para comprender el espectro de su progresión. Estos hallazgos, generan una ventana potencial de mejora en el enfrentamiento clínico de estos pacientes, enriqueciendo los futuros estudios con mejor selección y clasificación de sus participantes.  Las nuevas tecnologías enfocadas en inteligencia artificial y procesamiento de datos, parecen ser cada vez más una herramienta promisoria en el avance del entendimiento de fenómenos biológicos complejos.

“Aceptación no significa resignación; significa comprender que algo es lo que es y que tiene que haber una forma de superarlo “.

Michael J. Fox

Fuentes: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(21)00101-1/fulltext

https://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0034-98872019000400535

Visit Us On FacebookVisit Us On TwitterVisit Us On Youtube