En un estudio presentado en el IX Congreso Anual de la Academia Europea de Neurología (EAN, por sus siglas en inglés) en Budapest, Hungría, se reveló que el aprendizaje profundo o deep-learning puede predecir de forma precisa el desarrollo cerebral hasta seis años tras la evaluación inicial por enfermedad de Alzheimer utilizando tomografías por emisión de positrones (TEP) con fluorodesoxiglucosa (FDG). Los investigadores, de Alemania e Islandia, utilizaron redes neuronales convolucionales para entrenar a un algoritmo con las dos primeras TEP con fluorodesoxiglucosa para predecir los resultados de la tercera TEP en pacientes ancianos (de 55 años y mayores) que formaban parte de la Iniciativa de neuroimagen para la enfermedad de Alzheimer.
“El algoritmo predijo de forma precisa los resultados de las señales cerebrales en las TEP con fluorodesoxiglucosa, especialmente la reducción metabólica, que refleja la actividad neuronal”, declaró Elena Doering, una doctoranda en el Centro Alemán para Enfermedades Neurodegenerativas (DZNE, por sus siglas en alemán) en Gotinga, que participó en el estudio. “El algoritmo fue capaz de anticipar las pérdidas futuras de señal a través de la reducción metabólica, lo que refleja la pérdida de actividad neuronal”.
En la efectividad del algoritmo, destacó por su habilidad para detectar procesos neurodegenerativos activos incluso en las evaluaciones iniciales, lo que permitió predecir un deterioro significativo en la señal hasta seis años tras la primera prueba de imagen para los pacientes con enfermedad Alzheimer en regiones susceptibles a esta enfermedad, como la región temporal inferior y la región parietal, así como la corteza cingulada posterior.
Un estudio extraordinario
El estudio destaca por ser una exploración extraordinaria, ya que la predicción de los cambios metabólicos longitudinales en el cerebro con las TEP con fluorodesoxiglucosa apenas se había estudiado. Los autores enfatizaron la escasez de estudios en los que se predijeron con éxito los cambios longitudinales al detalle en todo el cerebro en comparación con los estudios que se centraban en cambios específicos del volumen del hipocampo.
La disponibilidad de una herramienta capaz de predecir los resultados de TEP con fluorodesoxiglucosa longitudinales utilizando imágenes tomadas al inicio del estudio y tras un año significaría una mejora importante para la atención al paciente. Los médicos podrían interpretar las TEP con fluorodesoxiglucosa anticipadas “futuras” años antes, de forma similar a la práctica profesional rutinaria.
Este enfoque tiene el potencial de mejorar el diagnóstico precoz, ofrecer un pronóstico fiable y permitir las predicciones individualizadas de cambios cerebrales patológicos a lo largo del tiempo. En estudios anteriores, como el IDEAS, se ha demostrado que los diagnósticos basados en imagen pueden conllevar cambios en el manejo clínico en comparación con los diagnósticos basados únicamente en características clínicas.
Además, estos avances han contribuido al estudio de la evolución natural de la enfermedad de Alzheimer, cuya etiología no se ha determinado en la actualidad. Algunos factores como la edad, las variaciones genéticas y el estilo de vida juegan un papel fundamental en el desarrollo de la enfermedad y los resultados de este estudio pueden ayudar a identificar factores que influyan en la velocidad de evolución de la enfermedad y en la obtención de pronósticos personalizados sin la necesidad de repetir pruebas de imagen cerebrales.
En cuanto a los ensayos clínicos, esta nueva herramienta podría ser útil para evaluar la efectividad de ciertos fármacos en pacientes específicos al comparar el estado actual del cerebro con la predicción tras administrar el fármaco. También podría tener aplicaciones potenciales en la predicción de la eficacia farmacológica en los propios ensayos clínicos, lo que eliminaría la necesidad de seguimientos a largo plazo o la repetición de pruebas de imagen. Los investigadores anticipan que, según vayan aumentando las bases de datos y se incluyan rangos de tiempo más largos, las capacidades de predicción del algoritmo vayan más allá de los seis años.
