Integración multimodal de datos cognitivos y morfométricos para el diagnóstico de la etapa de progresión de la enfermedad de Alzheimer

Resumen

Este estudio aborda el diagnóstico temprano y preciso de la enfermedad de Alzheimer, un desafío clave en neurología clínica. Investigamos un enfoque que combina biomarcadores morfométricos de resonancia magnética con evaluaciones cognitivas, buscando superar las limitaciones de los métodos diagnósticos que utilizan estas fuentes de información de forma aislada. Analizamos datos de 1,382 participantes de la base ADNI, clasificados en controles cognitivos, deterioro cognitivo leve (MCI) y Alzheimer. Implementamos algoritmos de aprendizaje automático, destacando XGBoost con una precisión equilibrada de 83.72%, superior a los modelos basados solo en variables cognitivas. Los resultados indican que la integración multimodal mejoró la detección del estado MCI, con un aumento en sensibilidad. Los biomarcadores con mayor poder predictivo fueron los volúmenes hipocampales, de la corteza entorrinal y las medidas de sustancia gris total. Este enfoque ofrece una herramienta diagnóstica más precisa y se alinea con el marco de investigación NIA-AA, que enfatiza la definición biológica del Alzheimer a través de biomarcadores. Un diagnóstico más temprano y preciso permitiría intervenciones más oportunas y una mejor selección de pacientes para ensayos clínicos. Este trabajo demuestra el potencial de la inteligencia artificial para integrar diferentes fuentes de información en un modelo predictivo, con posibles aplicaciones en la práctica clínica.