Un equipo de investigación de la Universidad de Córdoba y el Instituto Maimónides de Investigaciones Biomédicas ha diseñado un modelo basado en inteligencia artificial que contribuye al diagnóstico temprano de la enfermedad de Alzheimer. A partir de los registros clínicos de enfermos, teniendo en cuenta múltiples variantes, el sistema automatiza la detección de los síntomas con una precisión cercana al 95%. De esta manera, se podrán establecer las medidas necesarias antes de que los enfermos estén en fases más avanzadas y mejorar su atención médica.
La aplicación de la inteligencia artificial en el diagnóstico médico ofrece la posibilidad de contrastar una gran cantidad de información que se amplía a medida que se utiliza, mediante lo que se conoce como aprendizaje profundo. Es decir, partiendo de unos datos concretos, el sistema se entrena de manera automática. Por un lado, incluye las nuevas referencias que le van llegando y, por otro, deduce nuevas circunstancias a partir de éstas.
Con el uso de este tipo de Inteligencia Artificial es posible obtener mejores resultados para el tratamiento de los pacientes y un sistema de atención médica más eficiente. Así lo manifiestan estos expertos en el artículo ‘A deep learning model for Alzheimer’s disease diagnosis based on patient clinical records’ publicado en la revista Computers in Biology and Medicine, en el que muestran las pruebas realizadas para ajustar los parámetros del modelo con el que logran mejorar el rendimiento del procesado de datos y la precisión del diagnóstico de la enfermedad.
El aprendizaje profundo se basa en redes neuronales que funcionan de manera parecida a como lo hace el cerebro humano. Estas redes acometen tareas complejas al analizar grandes cantidades de datos de entrada. “Hemos confirmado que el modelo probado funciona. Ha logrado optimizar el proceso en el tratamiento de la información y la identificación de patrones y características concretas que determinan la presencia de Alzheimer”, indica a la Fundación Descubre el investigador de la Universidad de Córdoba José Luis Ávila, autor del artículo.
Aprendiendo de los pacientes
El sistema consiste en la creación de patrones partiendo de datos reales. Concretamente, se basan en los registros clínicos que incluyen pacientes mayores de 65 años diagnosticados con algún tipo de enfermedad neurodegenerativa. En los informes se incorporan el análisis de sus características, como la edad o el género, su historial médico, con las prescripciones y otras patologías como diabetes, colesterol o depresión, entre otras muchas. Además, incorporan unas pruebas que evalúan el estado de autonomía, conocido como Test de Barthel, y otra que mide el estado de la progresión de la demencia en etapas específicas, llamada Estado de Deterioro Global, GDS, por sus siglas en inglés.
Esta base de datos nutre a la red neuronal que se divide en capas que contienen neuronas. Se podría decir que cada capa es como una caja por la que pasa la información. Si se quiere entrenar una red, en el primer estrato se incluirán los datos iniciales. A medida que va pasando de una caja a otra, las neuronas van extrayendo información para reconocer características y tomar decisiones o hacer predicciones, que trasladan al siguiente nivel. En cada escalón, las neuronas se especializan más. Se podría decir que se vuelven más inteligentes progresivamente. Al finalizar el proceso, se obtiene una deducción concreta. Mientras más entrenada esté una red, más preciso será el resultado.
La información que forma la primera capa de esta red neuronal comienza teniendo en cuenta un total de 140 variables distintas. El principal problema en este tipo de información es que los datos incluyen siempre una característica concreta, lo que hace difícil entrenar al sistema para que determine el diagnóstico. Es decir, si solo se tiene en cuenta a enfermos de alzhéimer, no se puede comparar con las particularidades de pacientes sanos. Es lo que se conoce como desbalanceo.
Reequilibrio para un diagnóstico preciso
Para evitar esta situación, los datos con los que se entrena la red neuronal deben equilibrarse. El proceso que proponen los expertos se conoce como sobremuestreo aleatorio, que consiste en crear nuevos datos de la clase subrepresentada, tomando de referencia los límites de los reales. En este caso, la clase subrepresentada es ‘pacientes sanos’, el sistema generará variables a partir de los enfermos para crear los datos correspondientes a los primeros. Así, han validado que con esta técnica se consiguen mejores resultados que con otras técnicas de reequilibrio frecuentemente utilizadas.
Además, han probado distintos ajustes con el número de capas y neuronas de la red confirmando que los mejores resultados son los que se obtuvieron con una estructura de 5 capas con 150, 100, 50, 25 y 1 neuronas, respectivamente. De esta manera, el modelo puede generar plantillas para un diagnóstico preciso. Cuando en la consulta, el médico introduce una serie de valores, el sistema le avisará para que valore la existencia de alzhéimer con nuevas pruebas complementarias si confluyen una serie de circunstancias.
Los investigadores continúan sus ensayos para optimizar estos métodos de reequilibrio con datos clínicos. Además, plantean la aplicación de estos resultados en otras enfermedades como en la evaluación del dolor en pacientes que no pueden comunicarse.
Los trabajos se han financiado mediante el proyecto ‘Adaptación y validación de la versión española de la pain assessment in advance dementia scale (PAINED) y determinación de biomarcadores del dolor en saliva en personas mayores con deterioro cognitivo e incapacidad de comunicación’ de la Consejería de Salud y Consumo de la Junta de Andalucía y ‘Mejorando la experiencia del usuario de ciencia de datos con inteligencia computacional’ del Ministerio de Ciencia, Innovación y Universidades.
Referencias
J.L. Ávila Jiménez, Vanesa Cantón Habas, María del Pilar Carrera González, Manuel Rich Ruiz y Sebastián Ventura. ‘A deep learning model for Alzheimer’s disease diagnosis based on patient clinical records’. Computers in Biology and Medicine. 2024.