El tratamiento de las personas que padecen la enfermedad de Parkinson puede mejorar significativamente mediante el uso de técnicas digitales. Actualmente se está analizando en numerosos estudios e investigaciones cómo puede contribuir exactamente la inteligencia artificial a una terapia individual. El objetivo es poder detectar con fiabilidad los primeros signos para poder intervenir en el curso de la enfermedad lo antes posible.
La enfermedad de Parkinson (EP) es la causa degenerativa más común del parkinsonismo. El parkinsonismo atípico incluye la parálisis supranuclear progresiva (PSP), la atrofia multisistémica (AMS) y la degeneración corticobasal (DCB). La diferenciación clínica de los síndromes de Parkinson sigue siendo difícil. Por lo tanto, se investigó si la IRM y el aprendizaje automático mejoran la precisión diagnóstica en pacientes con EP temprana en comparación con los criterios clínicos [1]. Se inscribieron en el estudio 118 pacientes con sospecha de parkinsonismo atípico de los que se disponía de seguimiento y a los que se había realizado una resonancia magnética cerebral al inicio del estudio. Los diagnósticos al inicio y tras un periodo de seguimiento de dos años se realizaron utilizando los criterios clínicos publicados. El diagnóstico por resonancia magnética se realizó a partir del análisis radiológico de las imágenes de resonancia magnética. Las imágenes ponderadas en T1 se segmentaron utilizando FreeSurfer, un software de segmentación automática, y se extrajeron los volúmenes de las regiones de interés: Mesencéfalo, protuberancia, cerebelo y ganglios basales. Se probó en esta población un algoritmo de aprendizaje automático supervisado (regresión logística), previamente desarrollado y entrenado con volúmenes de las mismas regiones. Posteriormente, se comparó la precisión diagnóstica de los criterios clínicos en la primera visita, el análisis radiológico por RM y el algoritmo de aprendizaje automático, utilizando el diagnóstico final como referencia.
Se observó que los criterios de diagnóstico clínico tenían una precisión diagnóstica del 63,6% al inicio del estudio. El análisis radiológico de la IRM clasificó correctamente al 82% de los pacientes que cumplían los criterios para un posible diagnóstico y al 75% de los pacientes con un diagnóstico poco claro al inicio del estudio. El algoritmo también confirmó el diagnóstico de parkinsonismo en el 91% de los pacientes y en el 66% de los pacientes con un diagnóstico indeterminado. Los resultados ponen de manifiesto las limitaciones de los criterios clínicos y la contribución de la IRM a la diferenciación precoz del parkinsonismo. Aunque la precisión fue inferior a la de la IRM, el aprendizaje automático podría ser de ayuda en centros no expertos.
Mirando profundamente a los ojos
Las enfermedades neurodegenerativas (END) son la principal y creciente causa de discapacidad en todo el mundo. El aumento de las tasas de Parkinson es especialmente alarmante. Por lo tanto, existe una necesidad urgente de biomarcadores sensibles y específicos que permitan una predicción diferencial, especialmente en las fases tempranas y prodrómicas de la enfermedad, de modo que pueda planificarse y aplicarse un enfoque médico personalizado de la terapéutica. El desarrollo de medidas objetivas para la enfermedad de Parkinson (EP) se complica por el espectro cognitivo y motor de la enfermedad, así como por la presencia de trastornos atípicos como la Parálisis Supranuclear Progresiva (PSP). El seguimiento ocular se ha propuesto como fuente de biomarcadores prospectivos en la EP. Trabajos recientes han demostrado el uso del aprendizaje automático para clasificar la EP y su espectro cognitivo basándose en características oculomotoras. Ahora, se ha demostrado una mayor sensibilidad en una tarea no estructurada de visión libre tanto para la EP como para la PSP [2].
120 pacientes con EP, 8 participantes con PSP y 97 participantes de control emparejados por edad sin disfunción neurológica realizaron una tarea naturalista de visión libre mientras sus ojos eran rastreados con gran precisión. Las masas sacádica, pupilar y de parpadeo se extrajeron de las películas de 10 minutos. Estas mediciones se utilizaron para entrenar un clasificador mediante una máquina de vectores de apoyo. Se ajustó el clasificador y se midió el rendimiento mediante el área bajo las curvas características operativas del receptor (ROC-AUC) utilizando una serie de pruebas y una validación cruzada. Se descubrió que la EP y la PSP podían predecirse con alta sensibilidad utilizando un paradigma de observación de vista libre. El ROC-AUC no sólo fue comparable al de la tarea antisacádica, sino incluso mejor. A continuación, el rendimiento de este clasificador se evaluará de forma independiente utilizando un conjunto de pruebas ingenuo.
Clasificación basada en escáneres cerebrales
Los futuros tratamientos neuroprotectores para la EP ponen de relieve la necesidad de realizar pruebas diagnósticas tempranas. En la actualidad, la IRM no se considera una prueba de imagen sólida para la EP. Pero las técnicas exploratorias sugieren que secuencias experimentales específicas pueden ser capaces de detectar cambios patológicos tempranos en el cerebro. Por ello, se investigó si tales cambios pueden detectarse en las resonancias magnéticas rutinarias utilizando métodos de aprendizaje profundo (deep learning, DL) [3]. Este subconjunto del aprendizaje automático se ha mostrado recientemente muy prometedor para el diagnóstico médico por imagen, ya que tiene el potencial de detectar patrones invisibles para el ojo humano. Los nuevos métodos explicativos permiten interpretar mejor las predicciones de DL.
Se realizaron 194 exploraciones más de cuatro años después del diagnóstico, 265 entre dos y cuatro años después del diagnóstico, 241 entre uno y dos años después del diagnóstico y 282 menos de un año después del diagnóstico. Cada cohorte se emparejó con los controles en función de la edad y el sexo. Cuanto mayor sea el tiempo transcurrido desde el diagnóstico, mejor será el rendimiento diagnóstico de los modelos. Los modelos entrenados en los últimos casos de Parkinson mostraron un buen rendimiento diagnóstico. La disminución del rendimiento en las fases más tempranas de la EP sugiere que se han identificado cambios progresivos. El uso de la IA explicable ha puesto de relieve regiones coherentes con la neuropatología conocida de la EP y proporciona un enfoque para futuros trabajos.
Reconocer y clasificar el temblor
Los principales síntomas de la EP son la bradicinesia, el temblor y la rigidez. El diagnóstico de la EP depende principalmente de la evaluación clínica mediante la revisión de la Escala Unificada de Calificación de la Enfermedad de Parkinson (MDS-UPDRS) patrocinada por la Sociedad de Trastornos del Movimiento. Un estudio intentó desarrollar un programa de aprendizaje automático para detectar y clasificar el temblor en pacientes con enfermedad de Parkinson [4].
Se desarrolló un acelerómetro mecánico triaxial para medir objetivamente el temblor en la EP y los trastornos del movimiento relacionados, además de la evaluación clínica. Para ello, se utilizó una medición cuantitativa continua de bajo coste de los movimientos en las extremidades de las personas con EP, una modificación del MDS-UPDRS. El protocolo fue llevado a cabo por evaluadores certificados MDS-UPDRS entrenados en 20 participantes con EP y ocho controles sanos emparejados por edad y sexo. Los segmentos de diez segundos de las señales de aceleración de las tareas repetitivas (golpeteo de los dedos, movimientos de las manos, pronación-supinación de las manos, golpeteo de los dedos de los pies y movilidad de las piernas) y sus transformadas rápida de Fourier (FFT) y continua de ondícula (CWT) se dividieron en dos clases: baja (correspondiente a las clasificaciones 0-1) y alta (correspondiente a las clasificaciones 3-4). Se seleccionó aleatoriamente un número igual de imágenes de cada clase y se utilizaron para la clasificación. La capacidad de la red para clasificar correctamente las imágenes de validación determinó su tasa de aciertos.
La red tuvo una precisión del 92% en la predicción de nuevas imágenes CWT y del 97% en la predicción de nuevas imágenes STFT en las clases baja (0-1) y alta (3-4). Utilizar el aprendizaje automático para categorizar la salida de los instrumentos de movimiento es una técnica viable para clasificar los movimientos repetitivos de las personas con EP y los controles sanos. El experimento se repetirá con 100 pacientes y 100 sujetos de control sanos.
Tics en foco
Distinguir entre los tics de las personas con trastornos de tics y los movimientos adicionales de los controles sanos puede resultar difícil. Además, evaluar los tics a partir de grabaciones de vídeo es laborioso y tedioso. El aprendizaje automático tiene el potencial de ayudar con estos retos al distinguir entre tics y otros movimientos adicionales y apoyar las evaluaciones clínicas.
En un estudio, se utilizó un conjunto de datos de 63 vídeos de personas con tics para entrenar un clasificador de bosque aleatorio para la detección de tics segundo a segundo [5]. El clasificador utilizó rasgos faciales como entrada y definió los segundos de tic como aquellos con tics iguales o más fuertes que un umbral predefinido. A continuación, se utilizó el clasificador entrenado para predecir la presencia de tics en los pacientes y de movimientos adicionales en los controles sanos. Estas predicciones se utilizaron para calcular varias características, como el número de tics por minuto, la duración máxima de un segmento no tic continuo, la duración máxima de un tic continuo, la duración media de los segmentos sin tic, el número de cambios de segmentos tic a no tic y viceversa por minuto, el tamaño medio de un grupo de tics y el número de grupos por minuto. Estas características se combinaron en una única puntuación de reconocimiento de tics mediante regresión logística. Los parámetros del modelo se determinaron mediante el entrenamiento con un conjunto de datos de 124 vídeos de individuos con trastornos de tics y 162 vídeos de controles sanos. Para evaluar la precisión de esta puntuación en la clasificación de pacientes y controles sanos, se utilizó un conjunto de datos de prueba de 50 vídeos de pacientes y 50 vídeos de controles sanos. El conjunto de pruebas alcanzó una precisión de clasificación del 83%.
El algoritmo de aprendizaje automático es útil para reconocer los tics y distinguir entre tics y otros movimientos adicionales. Podría convertirse en una herramienta de aplicación clínica. Para mejorar la precisión de la clasificación, el siguiente paso es afinar la puntuación para la detección de tics. Además, se analizará la importancia de las características individuales para determinar cuáles son las más útiles para distinguir entre los dos grupos. Así, el algoritmo también podría ser útil para distinguir entre tics y movimientos funcionales.
Congreso: International Congress of Parkinson’s Disease and Movement Disorders® 2023
Literatura:
- Chougar L, Faucher A, Faouzi J, et al.: Contribution of MRI and machine learning approaches to the diagnosis of patients with early-stage parkinsonism in a situation of clinical uncertainty [abstract 161]. Mov Disord 2023; 38 (supl. 1).
- Brien D, Riek H, Ye R, et al.: Machine learning classifies Parkinson’s Disease and Progressive Supranuclear Palsy on saccade, pupil, and blink measures during a naturalistic free-viewing task [abstract 276]. Mov Disord 2023; 38 (suppl 1).
- Courtman M, Thurston M, Mcgavin L, et al.: Explainable deep learning based detection of Parkinson’s changes in MRI brain scans [abstract 1552]. Mov Disord 2023; 38 (suppl 1).
- Elshourbagy T, Hernandez M, Mckay G, Brasic J: Artificial Intelligence to detect and classify tremors in patients with Parkinson’s disease and related conditions [abstract 1211]. Mov Disord 2023; 38 (suppl 1).
- Becker L, Schappert R, Brügge N, et al.: New machine learning approaches in tic detection: Seeking to learn more about the characteristic of tics [abstract 951]. Mov Disord 2023; 38 (suppl 1).
InFo NEUROLOGIE & PSYCHIATRIE 2023; 21(5): 24–25
