Nueva metodología para identificar el estado de la enfermedad de Alzheimer

¿Puede el teléfono móvil que todos llevamos en el bolsillo ofrecer información sobre nuestro estado de salud?

En la actualidad, múltiples líneas de investigación intentan dar respuesta a esta pregunta. Fruto de una de ellas es el último trabajo colaborativo entre investigadores del Departamento de Matemáticas, Estadística y Computación de la Universidad de Cantabria y del Grupo de Enfermedades Neurodegenerativas de IDIVAL, consistente en el desarrollo de una nueva metodología que permite identificar el estadio de la enfermedad en el que se encuentra un paciente con enfermedad de Alzheimer en base a los datos recogidos por un teléfono móvil (Bringas S, Salomón S, Duque R, Lage C, Montaña JL. Alzheimer's Disease stage identification using deep learning models. J Biomed Inform. 2020;109:103514. doi:10.1016/j.jbi.2020.103514).

En el estudio participaron 35 usuarios de los centros de día de la Asociación de Familiares de enfermos de Alzheimer de Cantabria (AFAC) de Santander con un diagnóstico de enfermedad de Alzheimer. Entre ellos se encontraban pacientes en todo el espectro evolutivo de la enfermedad, desde fases leves hasta avanzadas (7 en fases leves, 18 en fases moderadas y 10 en fases avanzadas). Durante 7 días, cada uno de ellos portó en su bolsillo un Smartphone de gama media, sin que se le diera ningún tipo de indicación y permaneciendo durante todo el tiempo con total libertad de movimiento, realizando las actividades usuales del centro de día. El acelerómetro que, como cualquier modelo habitual, contenían los teléfonos móviles recogió información relativa al movimiento del dispositivo, lo que permite obtener información sobre la actividad del usuario de forma indirecta.

Una vez finalizados los 7 días del estudio, los datos recogidos y almacenados en el teléfono fueron extraídos y analizados mediante Inteligencia Artificial, en este caso una solución denominada Redes Neuronales Convolucionales (Convolutional Neural Networks o CNN). En este caso, el conjunto de datos se divide en dos sets, uno para el entrenamiento de la red (80% de los datos) y otro para su evaluación (20% restante). Durante la fase de entrenamiento, a los datos relativos a cada paciente se les asignó la etiqueta de la fase de la enfermedad en la que se encontraba. La red neuronal se genera mediante múltiples repeticiones o iteraciones en las que intenta clasificar los datos que se le ofrecen y comprueba si acierta el estadio asignado o no, seleccionando de esta manera aquella información que le permite ir mejorando el rendimiento para clasificar los datos de forma acertada y perfeccionándose cada vez más. Una vez construida, la red neuronal generada se testa en el segundo set de datos para comprobar su eficacia. En este trabajo, la red neuronal alcanzó un 90.91% de precisión para la clasificación de la fase evolutiva. También se comparó su rendimiento con otros métodos de clasificación tradicionales, demostrando una eficacia muy superior.

Este estudio, basado en la hipótesis de que los patrones de actividad motora a lo largo del día se ven influenciados por la fase de la enfermedad en la que se encuentra el paciente como consecuencia de la progresiva degeneración cerebral, muestra cómo los nuevos modelos de aprendizaje profundo o Deep learning permiten extraer valiosa información a partir de la abrumadora cantidad de datos que con frecuencia nos ofrecen las nuevas tecnologías, a menudo inabordable desde cualquier otra perspectiva. Como potenciales aplicaciones prácticas, en este caso la identificación de la fase de la enfermedad se plantea como una utilidad para la monitorización de la evolución, de tal modo que genere una alerta en el caso de que en un paciente concreto se identifique una progresión, permitiendo así investigar factores agravantes o realizar las intervenciones oportunas. Sin embargo, este tipo de metodología abre un amplio abanico de posibilidades, en el que la inteligencia artificial, de la mano de los avances tecnológicos y su progresiva generalización en nuestro día a día, puede ofrecer una infinidad de información inaccesible desde la consulta médica.

En el desarrollo del trabajo han participado investigadores del Centro Tecnológico de Componentes (CTC) de Cantabria, del Departamento de Matemáticas, Estadística y Computación de la Universidad de Cantabria y de la consultoría Axpe, así como de la Unidad de Deterioro Cognitivo del HUMV-IDIVAL, enmarcándose en la línea de trabajo de este grupo entorno al diagnóstico de la enfermedad de Alzheimer en estadios precoces y la aplicación de nuevas tecnologías  en procesos diagnósticos y terapéuticos. Este trabajo ha sido posible gracias a la colaboración de la Asociación de Familiares de enfermos de Alzheimer de Cantabria y a la generosa participación de sus usuarios y familiares.

Ref. Santos Bringas, Sergio Salomón, Rafael Duque, Carmen Lage, José Luis Montaña. J Biomed Inform. 2020 Jul 23;109:103514. Online ahead of print. Alzheimer's Disease stage identification using deep learning models. PMID: 32711124 DOI: 10.1016/j.jbi.2020.103514