{"id":368099,"date":"2023-11-21T00:01:00","date_gmt":"2023-11-20T23:01:00","guid":{"rendered":"https:\/\/medizinonline.com\/la-inteligencia-artificial-apoya-el-diagnostico-y-la-terapia-de-la-enfermedad-de-parkinson\/"},"modified":"2024-01-03T21:50:48","modified_gmt":"2024-01-03T20:50:48","slug":"la-inteligencia-artificial-apoya-el-diagnostico-y-la-terapia-de-la-enfermedad-de-parkinson","status":"publish","type":"post","link":"https:\/\/medizinonline.com\/es\/la-inteligencia-artificial-apoya-el-diagnostico-y-la-terapia-de-la-enfermedad-de-parkinson\/","title":{"rendered":"La inteligencia artificial apoya el diagn\u00f3stico y la terapia de la enfermedad de Parkinson"},"content":{"rendered":"\n

El tratamiento de las personas que padecen la enfermedad de Parkinson puede mejorar significativamente mediante el uso de t\u00e9cnicas digitales. Actualmente se est\u00e1 analizando en numerosos estudios e investigaciones c\u00f3mo 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. <\/strong><\/p>\n\n\n\n

La enfermedad de Parkinson (EP) es la causa degenerativa m\u00e1s com\u00fan del parkinsonismo. El parkinsonismo at\u00edpico incluye la par\u00e1lisis supranuclear progresiva (PSP), la atrofia multisist\u00e9mica (AMS) y la degeneraci\u00f3n corticobasal (DCB). La diferenciaci\u00f3n cl\u00ednica de los s\u00edndromes de Parkinson sigue siendo dif\u00edcil. Por lo tanto, se investig\u00f3 si la IRM y el aprendizaje autom\u00e1tico mejoran la precisi\u00f3n diagn\u00f3stica en pacientes con EP temprana en comparaci\u00f3n con los criterios cl\u00ednicos [1]. Se inscribieron en el estudio 118 pacientes con sospecha de parkinsonismo at\u00edpico de los que se dispon\u00eda de seguimiento y a los que se hab\u00eda realizado una resonancia magn\u00e9tica cerebral al inicio del estudio. Los diagn\u00f3sticos al inicio y tras un periodo de seguimiento de dos a\u00f1os se realizaron utilizando los criterios cl\u00ednicos publicados. El diagn\u00f3stico por resonancia magn\u00e9tica se realiz\u00f3 a partir del an\u00e1lisis radiol\u00f3gico de las im\u00e1genes de resonancia magn\u00e9tica. Las im\u00e1genes ponderadas en T1 se segmentaron utilizando FreeSurfer, un software de segmentaci\u00f3n autom\u00e1tica, y se extrajeron los vol\u00famenes de las regiones de inter\u00e9s: Mesenc\u00e9falo, protuberancia, cerebelo y ganglios basales. Se prob\u00f3 en esta poblaci\u00f3n un algoritmo de aprendizaje autom\u00e1tico supervisado (regresi\u00f3n log\u00edstica), previamente desarrollado y entrenado con vol\u00famenes de las mismas regiones. Posteriormente, se compar\u00f3 la precisi\u00f3n diagn\u00f3stica de los criterios cl\u00ednicos en la primera visita, el an\u00e1lisis radiol\u00f3gico por RM y el algoritmo de aprendizaje autom\u00e1tico, utilizando el diagn\u00f3stico final como referencia.<\/p>\n\n

Se observ\u00f3 que los criterios de diagn\u00f3stico cl\u00ednico ten\u00edan una precisi\u00f3n diagn\u00f3stica del 63,6% al inicio del estudio. El an\u00e1lisis radiol\u00f3gico de la IRM clasific\u00f3 correctamente al 82% de los pacientes que cumpl\u00edan los criterios para un posible diagn\u00f3stico y al 75% de los pacientes con un diagn\u00f3stico poco claro al inicio del estudio. El algoritmo tambi\u00e9n confirm\u00f3 el diagn\u00f3stico de parkinsonismo en el 91% de los pacientes y en el 66% de los pacientes con un diagn\u00f3stico indeterminado. Los resultados ponen de manifiesto las limitaciones de los criterios cl\u00ednicos y la contribuci\u00f3n de la IRM a la diferenciaci\u00f3n precoz del parkinsonismo. Aunque la precisi\u00f3n fue inferior a la de la IRM, el aprendizaje autom\u00e1tico podr\u00eda ser de ayuda en centros no expertos.<\/p>\n\n

Mirando profundamente a los ojos<\/h3>\n\n

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 espec\u00edficos que permitan una predicci\u00f3n diferencial, especialmente en las fases tempranas y prodr\u00f3micas de la enfermedad, de modo que pueda planificarse y aplicarse un enfoque m\u00e9dico personalizado de la terap\u00e9utica. El desarrollo de medidas objetivas para la enfermedad de Parkinson (EP) se complica por el espectro cognitivo y motor de la enfermedad, as\u00ed como por la presencia de trastornos at\u00edpicos como la Par\u00e1lisis 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 autom\u00e1tico para clasificar la EP y su espectro cognitivo bas\u00e1ndose en caracter\u00edsticas oculomotoras. Ahora, se ha demostrado una mayor sensibilidad en una tarea no estructurada de visi\u00f3n libre tanto para la EP como para la PSP [2].<\/p>\n\n

120 pacientes con EP, 8 participantes con PSP y 97 participantes de control emparejados por edad sin disfunci\u00f3n neurol\u00f3gica realizaron una tarea naturalista de visi\u00f3n libre mientras sus ojos eran rastreados con gran precisi\u00f3n. Las masas sac\u00e1dica, pupilar y de parpadeo se extrajeron de las pel\u00edculas de 10 minutos. Estas mediciones se utilizaron para entrenar un clasificador mediante una m\u00e1quina de vectores de apoyo. Se ajust\u00f3 el clasificador y se midi\u00f3 el rendimiento mediante el \u00e1rea bajo las curvas caracter\u00edsticas operativas del receptor (ROC-AUC) utilizando una serie de pruebas y una validaci\u00f3n cruzada. Se descubri\u00f3 que la EP y la PSP pod\u00edan predecirse con alta sensibilidad utilizando un paradigma de observaci\u00f3n de vista libre. El ROC-AUC no s\u00f3lo fue comparable al de la tarea antisac\u00e1dica, sino incluso mejor. A continuaci\u00f3n, el rendimiento de este clasificador se evaluar\u00e1 de forma independiente utilizando un conjunto de pruebas ingenuo.<\/p>\n\n

Clasificaci\u00f3n basada en esc\u00e1neres cerebrales<\/h3>\n\n

Los futuros tratamientos neuroprotectores para la EP ponen de relieve la necesidad de realizar pruebas diagn\u00f3sticas tempranas. En la actualidad, la IRM no se considera una prueba de imagen s\u00f3lida para la EP. Pero las t\u00e9cnicas exploratorias sugieren que secuencias experimentales espec\u00edficas pueden ser capaces de detectar cambios patol\u00f3gicos tempranos en el cerebro. Por ello, se investig\u00f3 si tales cambios pueden detectarse en las resonancias magn\u00e9ticas rutinarias utilizando m\u00e9todos de aprendizaje profundo (deep learning, DL) [3]. Este subconjunto del aprendizaje autom\u00e1tico se ha mostrado recientemente muy prometedor para el diagn\u00f3stico m\u00e9dico por imagen, ya que tiene el potencial de detectar patrones invisibles para el ojo humano. Los nuevos m\u00e9todos explicativos permiten interpretar mejor las predicciones de DL.<\/p>\n\n

Se realizaron 194 exploraciones m\u00e1s de cuatro a\u00f1os despu\u00e9s del diagn\u00f3stico, 265 entre dos y cuatro a\u00f1os despu\u00e9s del diagn\u00f3stico, 241 entre uno y dos a\u00f1os despu\u00e9s del diagn\u00f3stico y 282 menos de un a\u00f1o despu\u00e9s del diagn\u00f3stico. Cada cohorte se emparej\u00f3 con los controles en funci\u00f3n de la edad y el sexo. Cuanto mayor sea el tiempo transcurrido desde el diagn\u00f3stico, mejor ser\u00e1 el rendimiento diagn\u00f3stico de los modelos. Los modelos entrenados en los \u00faltimos casos de Parkinson mostraron un buen rendimiento diagn\u00f3stico. La disminuci\u00f3n del rendimiento en las fases m\u00e1s 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 neuropatolog\u00eda conocida de la EP y proporciona un enfoque para futuros trabajos.<\/p>\n\n

Reconocer y clasificar el temblor<\/h3>\n\n

Los principales s\u00edntomas de la EP son la bradicinesia, el temblor y la rigidez. El diagn\u00f3stico de la EP depende principalmente de la evaluaci\u00f3n cl\u00ednica mediante la revisi\u00f3n de la Escala Unificada de Calificaci\u00f3n de la Enfermedad de Parkinson (MDS-UPDRS) patrocinada por la Sociedad de Trastornos del Movimiento. Un estudio intent\u00f3 desarrollar un programa de aprendizaje autom\u00e1tico para detectar y clasificar el temblor en pacientes con enfermedad de Parkinson [4].<\/p>\n\n

Se desarroll\u00f3 un aceler\u00f3metro mec\u00e1nico triaxial para medir objetivamente el temblor en la EP y los trastornos del movimiento relacionados, adem\u00e1s de la evaluaci\u00f3n cl\u00ednica. Para ello, se utiliz\u00f3 una medici\u00f3n cuantitativa continua de bajo coste de los movimientos en las extremidades de las personas con EP, una modificaci\u00f3n 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 se\u00f1ales de aceleraci\u00f3n de las tareas repetitivas (golpeteo de los dedos, movimientos de las manos, pronaci\u00f3n-supinaci\u00f3n de las manos, golpeteo de los dedos de los pies y movilidad de las piernas) y sus transformadas r\u00e1pida de Fourier (FFT) y continua de ond\u00edcula (CWT) se dividieron en dos clases: baja (correspondiente a las clasificaciones 0-1) y alta (correspondiente a las clasificaciones 3-4). Se seleccion\u00f3 aleatoriamente un n\u00famero igual de im\u00e1genes de cada clase y se utilizaron para la clasificaci\u00f3n. La capacidad de la red para clasificar correctamente las im\u00e1genes de validaci\u00f3n determin\u00f3 su tasa de aciertos.<\/p>\n\n

La red tuvo una precisi\u00f3n del 92% en la predicci\u00f3n de nuevas im\u00e1genes CWT y del 97% en la predicci\u00f3n de nuevas im\u00e1genes STFT en las clases baja (0-1) y alta (3-4). Utilizar el aprendizaje autom\u00e1tico para categorizar la salida de los instrumentos de movimiento es una t\u00e9cnica viable para clasificar los movimientos repetitivos de las personas con EP y los controles sanos. El experimento se repetir\u00e1 con 100 pacientes y 100 sujetos de control sanos.<\/p>\n\n

Tics en foco<\/h3>\n\n

Distinguir entre los tics de las personas con trastornos de tics y los movimientos adicionales de los controles sanos puede resultar dif\u00edcil. Adem\u00e1s, evaluar los tics a partir de grabaciones de v\u00eddeo es laborioso y tedioso. El aprendizaje autom\u00e1tico tiene el potencial de ayudar con estos retos al distinguir entre tics y otros movimientos adicionales y apoyar las evaluaciones cl\u00ednicas. <\/p>\n\n

En un estudio, se utiliz\u00f3 un conjunto de datos de 63 v\u00eddeos de personas con tics para entrenar un clasificador de bosque aleatorio para la detecci\u00f3n de tics segundo a segundo [5]. El clasificador utiliz\u00f3 rasgos faciales como entrada y defini\u00f3 los segundos de tic como aquellos con tics iguales o m\u00e1s fuertes que un umbral predefinido. A continuaci\u00f3n, se utiliz\u00f3 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 caracter\u00edsticas, como el n\u00famero de tics por minuto, la duraci\u00f3n m\u00e1xima de un segmento no tic continuo, la duraci\u00f3n m\u00e1xima de un tic continuo, la duraci\u00f3n media de los segmentos sin tic, el n\u00famero de cambios de segmentos tic a no tic y viceversa por minuto, el tama\u00f1o medio de un grupo de tics y el n\u00famero de grupos por minuto. Estas caracter\u00edsticas se combinaron en una \u00fanica puntuaci\u00f3n de reconocimiento de tics mediante regresi\u00f3n log\u00edstica. Los par\u00e1metros del modelo se determinaron mediante el entrenamiento con un conjunto de datos de 124 v\u00eddeos de individuos con trastornos de tics y 162 v\u00eddeos de controles sanos. Para evaluar la precisi\u00f3n de esta puntuaci\u00f3n en la clasificaci\u00f3n de pacientes y controles sanos, se utiliz\u00f3 un conjunto de datos de prueba de 50 v\u00eddeos de pacientes y 50 v\u00eddeos de controles sanos. El conjunto de pruebas alcanz\u00f3 una precisi\u00f3n de clasificaci\u00f3n del 83%.<\/p>\n\n

El algoritmo de aprendizaje autom\u00e1tico es \u00fatil para reconocer los tics y distinguir entre tics y otros movimientos adicionales. Podr\u00eda convertirse en una herramienta de aplicaci\u00f3n cl\u00ednica. Para mejorar la precisi\u00f3n de la clasificaci\u00f3n, el siguiente paso es afinar la puntuaci\u00f3n para la detecci\u00f3n de tics. Adem\u00e1s, se analizar\u00e1 la importancia de las caracter\u00edsticas individuales para determinar cu\u00e1les son las m\u00e1s \u00fatiles para distinguir entre los dos grupos. As\u00ed, el algoritmo tambi\u00e9n podr\u00eda ser \u00fatil para distinguir entre tics y movimientos funcionales.<\/p>\n\n

Congreso: International Congress of Parkinson\u2019s Disease and Movement Disorders\u00ae<\/sup> 2023<\/em><\/p>\n\n

<\/p>\n\n

Literatura:<\/p>\n\n

    \n
  1. 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).<\/li>\n\n\n\n
  2. Brien D, Riek H, Ye R, et al.: Machine learning classifies Parkinson\u2019s 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).<\/li>\n\n\n\n
  3. Courtman M, Thurston M, Mcgavin L, et al.: Explainable deep learning based detection of Parkinson\u2019s changes in MRI brain scans [abstract 1552]. Mov Disord 2023; 38 (suppl 1).<\/li>\n\n\n\n
  4. Elshourbagy T, Hernandez M, Mckay G, Brasic J: Artificial Intelligence to detect and classify tremors in patients with Parkinson\u2019s disease and related conditions [abstract 1211]. Mov Disord 2023; 38 (suppl 1).<\/li>\n\n\n\n
  5. Becker L, Schappert R, Br\u00fcgge 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).<\/li>\n<\/ol>\n\n

    InFo NEUROLOGIE & PSYCHIATRIE 2023; 21(5): 24\u201325<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

    El tratamiento de las personas que padecen la enfermedad de Parkinson puede mejorar significativamente mediante el uso de t\u00e9cnicas digitales. Actualmente se est\u00e1 analizando en numerosos estudios e investigaciones c\u00f3mo…<\/p>\n","protected":false},"author":7,"featured_media":368105,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","cat_1_feature_home_top":false,"cat_2_editor_pick":false,"csco_eyebrow_text":"Digitalizaci\u00f3n","footnotes":""},"category":[11483,11475,11328,11552],"tags":[51209,14179,11759,71657],"powerkit_post_featured":[],"class_list":["post-368099","post","type-post","status-publish","format-standard","has-post-thumbnail","category-el-congreso-informa","category-estudios","category-neurologia","category-rx-es","tag-ai-es-2","tag-inteligencia-artificial-es","tag-parkinson-es","tag-terapia-para-el-parkinson","pmpro-has-access"],"acf":[],"publishpress_future_action":{"enabled":false,"date":"2026-06-20 15:41:36","action":"change-status","newStatus":"draft","terms":[],"taxonomy":"category","extraData":[]},"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"wpml_current_locale":"es_ES","wpml_translations":[],"_links":{"self":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts\/368099","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/comments?post=368099"}],"version-history":[{"count":2,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts\/368099\/revisions"}],"predecessor-version":[{"id":373479,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts\/368099\/revisions\/373479"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/media\/368105"}],"wp:attachment":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/media?parent=368099"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/category?post=368099"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/tags?post=368099"},{"taxonomy":"powerkit_post_featured","embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/powerkit_post_featured?post=368099"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}