En una nueva investigación publicada en Lancet Digital Health se describe un nuevo modelo de inteligencia artificial (IA) que agrupa los patrones de síntomas típicos de la enfermedad de Parkinson. El modelo también predice la progresión de estos síntomas en términos de tiempo y gravedad, aprendiendo de los datos longitudinales del paciente.
Cabe recordar que Michael J. Fox, el actor que personificó a Marty McFly en las icónicas películas “Back to the Future”, padece la enfermedad de Parkinson. El anuncio de su enfermedad en 1998 asombró al mundo, el actor reveló que lo habían diagnosticado siete años antes, a la edad de 29.
Pocos tiempo después, en 2000, Fox lanzó la Fundación Michael J. Fox para la Investigación del Parkinson (MJFF, por sus siglas en inglés), cuyo objetivo es ayudar a buscar tratamientos y una cura para esta enfermedad, que se estima afecta a más de seis millones de personas en todo el mundo.
Desde entonces, el equipo de neurocientíficos y estrategas de MJFF trabaja codo a codo con investigadores de ciencia y tecnología, médicos, aliados de la industria y pacientes de todo el mundo para financiar las investigaciones más prometedoras, a fin de comprender y hallar mejores tratamientos para la enfermedad. En julio de 2018, la Fundación e IBM Research anunciaron una alianza única con el objetivo de aplicar el aprendizaje automático para promover mayores avances científicos.
Esta colaboración alcanzó un importante hito. En el último trabajo, “Descubrimiento de estados de enfermedad de Parkinson mediante aprendizaje automático y datos longitudinales”, publicado por el equipo de IBM junto con científicos de MJFF en Lancet Digital Health, se detalla un nuevo modelo de IA que agrupa los patrones de síntomas típicos de la enfermedad de Parkinson.
El modelo también predice la progresión de estos síntomas en términos de tiempo y gravedad, aprendiendo de lo que se conoce como datos longitudinales del paciente, es decir, descripciones del estado clínico de un paciente recopiladas a lo largo del tiempo.
El objetivo es utilizar la IA para contribuir a la gestión y el diseño de ensayos clínicos. Estas metas son importantes porque, pese a la prevalencia de Parkinson, los pacientes experimentan una variedad única de síntomas, tanto motores como no motores.
Se espera que el uso de machine learning para aprender de grandes cantidades de datos de pacientes permita a los médicos e investigadores contar con una nueva herramienta para predecir mejor la progresión notoriamente variable de los síntomas en pacientes individuales de Parkinson. Asimismo, que ello permita gestionar y tratar la enfermedad de manera más efectiva, y que dé lugar a la posibilidad de identificar a los mejores candidatos para ensayos clínicos que sean más específicos y efectivos.
Los resultados son el siguiente paso de una investigación publicada anteriormente. Ese trabajo se enfocó en desarrollar un método para algunos de los desafíos únicos de las aplicaciones para la atención de la salud, entre ellas, permitir predicciones personalizadas y dar cuenta de los efectos de los medicamentos en las mediciones de síntomas. Esta vez, se probaron los métodos de IA con datos de la Iniciativa de Marcadores de Progresión de Parkinson (PPMI, por sus siglas en inglés). La Fundación Michael J. Fox patrocina este estudio internacional y pone a disposición de los investigadores su conjunto de datos no identificable individualmente –uno de los más grandes del mundo referidos a la enfermedad de Parkinson-.
Tener acceso a un gran conjunto de datos es crucial para el éxito en los modelos de aprendizaje automático, por lo tanto, los valiosos datos recabados por la iniciativa PPMI fueron claves para la viabilidad del modelo. El conjunto de datos sirvió como insumo para el enfoque de aprendizaje automático, lo que permitió descubrir patrones complejos de síntomas y progresión.
Si bien numerosos estudios previos se han dedicado a caracterizar la enfermedad de Parkinson utilizando solo información de base, el método empleado aquí utiliza hasta siete años de datos de pacientes. Además, el modelo realiza supuestos limitados a priori acerca de vías de progresión, en comparación con estudios anteriores.
Estas decisiones de modelado han permitido a los investigadores obtener más información sobre los estados de la enfermedad y las vías de progresión. Los resultados sugieren que el estado de un paciente puede variar en una serie de factores, como la capacidad para realizar actividades cotidianas; problemas relacionados con la lentitud motriz, el temblor y la inestabilidad postural; así como síntomas no motores, entre ellos, depresión, ansiedad, deterioro cognitivo y trastornos del sueño.
Los resultados apoyan la hipótesis de que existen diversas vías de progresión, tal como lo indican las numerosas trayectorias de enfermedades que se han estudiado. Sin embargo, el modelo de IA aún puede realizar predicciones precisas. Debido a que el modelo se nutre de un conjunto de datos, ha podido predecir con éxito un estado avanzado de la enfermedad de Parkinson asociado con resultados como la demencia y la incapacidad para caminar sin asistencia.
Debido a la diversidad de experiencias en la enfermedad de Parkinson, se espera que, al permitir este tipo de predicciones, el modelo pueda ayudar con la gestión y proporcionar criterios de inclusión y definición de resultados más específicos durante el diseño del ensayo clínico.
Sin embargo, todavía queda mucho trabajo por hacer. Por ejemplo, el equipo espera refinar el modelo para proporcionar una caracterización aún más granular de los estados de enfermedad mediante la incorporación de evaluaciones de biomarcadores emergentes, como las mediciones genómicas y neuroimágenes.