Investigadores de Mount Sinai desarrollaron un modelo de machine learning capaz de identificar predictores claves de mortalidad en pacientes con demencia.
Un estudio titulado “Modelos de machine learning identifican características predictivas de la mortalidad de los pacientes en todos los tipos de demencia”, publicado en Communications Medicine demostró la viabilidad de identificar a los pacientes con demencia en riesgo de mortalidad y descubrir los factores que impulsan este riesgo para brindarles un manejo clínico personalizado.
El estudio detalló que, la atención de una enfermedad como la demencia es un desafío significativo debido a las trayectorias divergentes en la progresión y los resultados de la enfermedad. Para ello son necesarios modelos predictivos que detecten a pacientes en riesgo de mortalidad a corto plazo e identificar los factores que contribuyen a la mortalidad en diferentes tipos de demencia.
“Nuestros hallazgos son significativos, ya que ilustran el potencial de los modelos de aprendizaje automático para anticipar con precisión el riesgo de mortalidad en pacientes con demencia en diferentes plazos”, explicó uno de los autores, el Dr. Kuan-lin Huang, profesor asistente de genética y ciencias genómicas en Icahn Mount Sinai. “Al señalar un conjunto conciso de características clínicas, incluido el rendimiento en pruebas neuropsicológicas y otras pruebas disponibles, nuestros modelos facultan a los proveedores de atención médica para tomar decisiones más informadas sobre la atención del paciente, lo que potencialmente conduce a intervenciones más personalizadas y oportunas”, agregó.
Para ello, los autores desarrollaron un modelo de machine learning o aprendizaje automático que predice la mortalidad de pacientes con demencia en cuatro umbrales de supervivencia diferentes. Para su entrenamiento utilizaron un conjunto de datos de 45,275 participantes únicos y 163,782 registros de visitas del Centro Nacional de Coordinación de Alzheimer de Estados Unidos (NACC, en inglés).
A través de este método los investigadores construyeron modelos XGBoost multifactoriales utilizando un pequeño conjunto de predictores de mortalidad y realizaron un análisis estratificado con modelos específicos de tipos de demencia. Estos modelos lograron predecir la mortalidad a uno, tres, cinco y diez años. El estudio desarrolló modelos específicos para ocho tipos de demencia mediante análisis estratificados.
El estudio también mostró que los resultados de las pruebas neuropsicológicas predecían mejor el riesgo de mortalidad en pacientes con demencia que los factores relacionados con la edad, cáncer o cardiopatías. “Las implicaciones de nuestra investigación van más allá de la práctica clínica, ya que subraya el valor del aprendizaje automático para desentrañar las complejidades de enfermedades como la demencia. Este estudio sienta las bases para futuras investigaciones sobre modelos predictivos en el tratamiento de la demencia”, afirmó el Dr. Huang.
No obstante, también resaltó que a pesar de que los modelos de machine learning son prometedores para mejorar la atención de la demencia, es importante reconocer que esta clase de modelos no brindan todas las respuestas a los especialistas en la atención personalizada.
Tras los resultados positivos de este estudio, el equipo de Mount Sinai tiene como objetivo perfeccionar sus modelos para incorporar efectos del tratamiento, datos genéticos y la exploración de técnicas más sofisticadas de machine learning para mejorar la precisión de las predicciones.
