El síndrome de Parkinson idiopático es la segunda enfermedad neurodegenerativa más común y su incidencia va en aumento. Es deseable un diagnóstico rápido en las primeras fases de la enfermedad para poder iniciar terapias eficaces lo antes posible. Una posibilidad es la evaluación de los datos de los sensores de muñeca.
El diagnóstico del síndrome de Parkinson idiopático (SPI) se realiza en la mayoría de los casos clínicamente. Las pruebas diagnósticas adyuvantes son caras, requieren mucho tiempo, no están suficientemente disponibles o no son específicas. Por lo tanto, existe una gran necesidad clínica de un método disponible, barato, objetivo e interpretable. El aprendizaje automático puede utilizarse para un análisis significativo de los datos de los sensores de movimiento. Estos datos pueden recogerse, por ejemplo, a través de dispositivos que se llevan en el cuerpo (wearables). La combinación de diagnósticos de sensores miniaturizados y cada vez más conectados en red del Internet de las Cosas (IoT) con métodos de aprendizaje automático ofrece la oportunidad de una metodología de diagnóstico rentable y al mismo tiempo muy eficaz.
Se llevó a cabo un estudio de prueba de concepto para un enfoque de diagnóstico basado en datos con un modelo jerárquico en la EP temprana para recopilar métricas clinimétricas de un algoritmo de diagnóstico que utiliza el aprendizaje automático y los datos de los sensores de la muñeca. Se recogieron datos de acelerómetros 3D de 25 pacientes en una fase temprana de la enfermedad y 25 sujetos de control. Las grabaciones se realizaron con una Microsoft Band 2, que registró los movimientos del brazo a una frecuencia de muestreo de 62,5 Hz con los sujetos moviéndose libremente (configuración de vida libre). Los datos de los sensores se introdujeron en un modelo jerárquico. El algoritmo clasificó como positivos a 22 de los 25 pacientes de Parkinson y como negativos a 21 de las 25 personas sanas. La especificidad fue de 0,85 y la sensibilidad de 0,84. El valor predictivo positivo fue de 0,88 y el negativo de 0,84. La precisión fue de 0,86. Los resultados son prometedores y deben validarse en cohortes adicionales con modelos optimizados.
Fuente: 92º Congreso de la Sociedad Alemana de Neurología (DGN)
InFo NEUROLOGY & PSYCHIATRY 2019; 17(6): 35 (publicado el 23.11.19, antes de impresión).
