Un equipo de la Universidad de California, San Francisco (UCSF) y la Universidad de Stanford aplicó métodos de aprendizaje automático a más de 5 millones de registros médicos, entrenando a la IA para detectar patrones que conectan el Alzheimer con otras afecciones.
Los investigadores utilizaron la base de datos clínica de la UCSF de más de 5 millones de pacientes para buscar condiciones concurrentes en pacientes que habían sido diagnosticados con Alzheimer en el Centro de Memoria y Envejecimiento de la UCSF en comparación con individuos sin Alzheimer y descubrieron que podían identificar con un 72% de poder predictivo quién desarrollaría la enfermedad hasta siete años antes.
El trabajo muestra la promesa de utilizar inteligencia artificial (IA) para detectar patrones en datos clínicos que luego pueden usarse para rastrear grandes bases de datos genéticas para determinar qué está impulsando ese riesgo. Los investigadores esperan que algún día acelere el diagnóstico y tratamiento del Alzheimer y otras enfermedades complejas.
«Este es un primer paso hacia el uso de la IA en datos clínicos de rutina, no sólo para identificar el riesgo lo antes posible, sino también para comprender la biología detrás de él«, dijo la autora principal del estudio, Alice Tang, estudiante de doctorado en el Laboratorio Sirota en UCSF. «El poder de este enfoque de IA proviene de la identificación de riesgos basados en combinaciones de enfermedades».
El modelo detectó una serie de condiciones que podrían usarse para calcular el riesgo de Alzheimer, incluida la presión arterial alta, el colesterol alto, la deficiencia de vitamina D y la depresión. La disfunción eréctil y el agrandamiento de la próstata también fueron factores importantes en los hombres, mientras que la osteoporosis lo fue en las mujeres.
Eso no quiere decir que las personas con estos problemas de salud desarrollen Alzheimer, pero el análisis de IA señala a cada uno de ellos como elementos a considerar. Se espera que el mismo tipo de enfoque de aprendizaje automático pueda, algún día, identificar factores de riesgo para otras enfermedades.
«Es la combinación de enfermedades lo que permite a nuestro modelo predecir la aparición del Alzheimer», afirma Tang. «Nuestro hallazgo de que la osteoporosis es un factor predictivo para las mujeres destaca la interacción biológica entre la salud ósea y el riesgo de demencia».
Para comprender la biología subyacente al poder predictivo del modelo, los investigadores recurrieron a bases de datos moleculares públicas y a una herramienta especializada desarrollada en la UCSF llamada SPOKE (Scalable Precision Medicine Oriented Knowledge Engine), que fue desarrollada en el laboratorio de Sergio Baranzini , PhD, profesor de neurología y miembro del Instituto Weill de Neurociencias de la UCSF .
SPOKE es esencialmente una base de datos que los investigadores pueden utilizar para identificar patrones y posibles objetivos moleculares para la terapia. De ahí surge la conocida asociación entre el Alzheimer y el colesterol alto a través de una forma variante del gen de la apolipoproteína E, APOE4. Pero cuando se combinó con bases de datos genéticas, también se identificó un vínculo entre la osteoporosis y el Alzheimer en las mujeres, a través de una variante en un gen menos conocido, llamado MS4A6A.
Los investigadores esperan que el enfoque pueda utilizarse con otras enfermedades difíciles de diagnosticar como el lupus y la endometriosis.
«Este es un gran ejemplo de cómo podemos aprovechar los datos de los pacientes con el aprendizaje automático para predecir qué pacientes tienen más probabilidades de desarrollar Alzheimer y también para comprender las razones por las que esto es así», dijo la autora principal del estudio, Marina Sirota , PhD. Profesor asociado en el Instituto de Ciencias de la Salud Computacional Bakar de la UCSF .
Fuentes:
