Casi 50 millones de personas en todo el mundo padecen la enfermedad de Alzheimer u otra forma de demencia.
por la Universidad del Sur de California
Si bien la edad es el mayor factor de riesgo para desarrollar la enfermedad, los investigadores creen que la mayoría de los casos de Alzheimer ocurren como resultado de interacciones complejas entre genes y otros factores. Pero esos factores y el papel que desempeñan no se conocen todavía.
En un nuevo estudio, los investigadores de la USC utilizaron el aprendizaje automático para identificar posibles marcadores sanguíneos de la enfermedad de Alzheimer que podrían ayudar con el diagnóstico más temprano y conducir a formas no invasivas de rastrear el progreso de la enfermedad en los pacientes. El método fue desarrollado por el profesor asistente de investigación en ciencias de la computación de la USC Greg Ver Steeg, un líder de investigación senior del Instituto de Ciencias de la Información (ISI) de la USC. El aprendizaje automático es un subconjunto de la inteligencia artificial (IA) que brinda a las computadoras la capacidad de aprender sin ser programadas explícitamente.
«Este tipo de análisis es una forma novedosa de descubrir patrones de datos para identificar marcadores de diagnóstico clave de la enfermedad», dijo el miembro del equipo Paul Thompson, director asociado del Instituto de Neuroimagen e Informática Mark and Mary Stevens de la USC y profesor en la Escuela de Keck de Medicina en la USC. «En una base de datos muy grande de medidas de salud, nos ayudó a descubrir características predictivas de la enfermedad de Alzheimer que nadie sospechaba que estuvieran allí».
El estudio, «Descubriendo firmas periféricas biológicamente coherentes de la salud y el riesgo de enfermedad de Alzheimer en el cerebro que envejece», apareció en Frontiers in Aging Neuroscience . Los autores del estudio son del Instituto de Neuroimagen e Informática Mark y Mary Stevens de la USC y del Instituto de Ciencias de la Información de la USC. .
Identificación de biomarcadores
Si bien la mayoría de las investigaciones sobre el Alzheimer hasta la fecha se han centrado en hipótesis conocidas, como la acumulación de placa amiloide y proteína tau en el cerebro, ambas medidas han resultado difíciles de medir en el torrente sanguíneo.
Como tal, las pruebas de diagnóstico se basan en gran medida en la memoria. Desafortunadamente, cuando una persona comienza a mostrar signos de pérdida de memoria, es posible que ya haya tenido la enfermedad durante décadas. Detectar la enfermedad temprano, incluso antes de que aparezcan los síntomas, es un paso crucial en el manejo de la enfermedad con medicamentos y cambios en el estilo de vida que pueden mejorar la calidad de vida.
Como resultado, los neurocientíficos de la USC se preguntaron si podría haber otros indicadores «ocultos» de la enfermedad de Alzheimer, factores que podrían detectarse con un análisis de sangre de rutina. Pero, ¿cómo encuentras algo cuando no sabes lo que estás buscando?
Por lo tanto, centraron su atención en el aprendizaje automático y contaron con la experiencia de Greg Ver Steeg, un científico informático y físico de la USC que se especializa en la extracción de datos complejos.
En 2013, Ver Steeg desarrolló un método avanzado de aprendizaje automático llamado Explicación de correlación (CorEx) capaz de detectar patrones en áreas a menudo abrumadas por grandes cantidades de datos, incluidas las de neurociencia, psicología y finanzas. El mismo año, el método fue noticia cuando Shirley Pepke, bióloga computacional de Caltech, usó el algoritmo para estudiar su propio cáncer.
En este estudio en particular, el objetivo de los científicos era utilizar el mismo algoritmo para descubrir factores ocultos, o grupos de factores relacionados, en datos médicos que podrían estar correlacionados con la enfermedad de Alzheimer.
«Podría ser que no haya un predictor único de si es probable que tenga un deterioro cognitivo, si ya ha comenzado o qué tan grave será», dijo Ver Steeg. «Pero tal vez haya colecciones de indicadores que serían una mejor señal. La pregunta que estábamos analizando era si podíamos usar el algoritmo para encontrar grupos de características que pudieran ser un mejor predictor del Alzheimer que cualquier factor medido individualmente».
Grupos de relaciones
Los investigadores examinaron los datos médicos recopilados de 829 adultos mayores de la base de datos de la Iniciativa de neuroimagen de la enfermedad de Alzheimer para identificar predictores de deterioro cognitivo y atrofia cerebral durante un período de un año.
Los participantes se clasificaron en tres categorías de diagnóstico: cognitivamente normales, deterioro cognitivo leve y aquellos con enfermedad de Alzheimer. Los datos incluyeron más de 400 biomarcadores recopilados de imágenes cerebrales, genética, plasma e información demográfica.
Efectivamente, cuando los científicos analizaron los datos a través del algoritmo de Ver Steeg, surgieron distintos grupos de relaciones. Se encontró que el amiloide y la tau eran importantes, pero el algoritmo también reveló fuertes relaciones con la salud cardiovascular, los niveles hormonales, el metabolismo y la respuesta del sistema inmunológico. Por ejemplo, los niveles bajos de vitamina B12, que pueden ser un factor de riesgo en las enfermedades cardiovasculares, se agruparon junto con unas enzimas llamadas metaloproteinasas de matriz, también características de las enfermedades cardiovasculares, y una proteína secretada por las células T, que se sabe que participa en la respuesta inmune.
Si bien las relaciones entre algunas de las medidas se habían documentado previamente y se sabía que estaban asociadas con la enfermedad de Alzheimer, «los resultados apuntan a que una sinergia entre las características es un predictor más fuerte que las características individuales», dijo Thompson.
«Tal vez arreglar una de estas cosas por sí solo no hace una gran diferencia, pero arreglar una serie de cosas podría ser útil para reducir el riesgo de desarrollar la enfermedad».
Una lista cada vez mayor de biomarcadores podría conducir a un diagnóstico más temprano y un mejor pronóstico, proporcionando nuevos objetivos para los análisis de sangre, dijo Thompson. En estudios futuros, él y su equipo esperan confirmar los resultados en una población más grande de pacientes y utilizar el método de Ver Steeg para encontrar factores ocultos en otras enfermedades, como la esquizofrenia y la depresión.
