- La Fundación Michael J. Fox e IBM están utilizando un nuevo modelo de Inteligencia Artificial (IA) para predecir la progresión del Parkinson.
- Este nuevo modelo de IA que agrupa los patrones de síntomas típicos de la enfermedad de Parkinson y predice la progresión de estos en términos de tiempo y gravedad, aprendiendo de los datos longitudinales del paciente.
- Esta tecnología podría permitir a los médicos gestionar y tratar la enfermedad de manera más efectiva, así como identificar a los mejores candidatos para ensayos clínicos que sean más específicos y efectivos.
Más de 10 millones de personas en todo el mundo viven con la enfermedad de Parkinson, una afección neurodegenerativa crónica que no tiene cura y progresa de manera distinta entre las personas, de acuerdo con cifras de la Parkinson’s Foundation.
Si bien año tras año surgen nuevos e innovadores procesos para tratar la enfermedad, ahora un nuevo modelo de inteligencia artificial (IA) empleado por la Fundación Michael J. Fox para la Investigación del Parkinson (MJFF, por sus siglas en inglés) e IBM podría ayudar a entender mejor la enfermedad.
Michael J. Fox, actor famoso por interpretar a Marty McFly en las icónicas películas de “Volver al futuro”, padece la enfermedad de Parkinson desde los 29 años.
En 2000, Fox lanzó la MJFF para buscar tratamientos y una cura para esta enfermedad. En julio de 2018, la fundación del actor realizó una alianza con IBM Research para aplicar el aprendizaje automático e IA para promover mayores avances científicos en este frente.
Ahora, esta colaboración alcanzó recientemente un importante hito en su lucha contra el Parkinson.
Usando la IA para comprender la enfermedad de Parkinson
En la investigación “Descubrimiento de estados de enfermedad de Parkinson mediante aprendizaje automático y datos longitudinales”, publicada 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.
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 datos de pacientes permita a los médicos e investigadores contar con una nueva herramienta para predecir mejor la progresión de los síntomas de Parkinson.
Asimismo, esto permitiría gestionar y tratar la enfermedad de manera más efectiva, y abriría la posibilidad de identificar a los mejores candidatos para ensayos clínicos que sean más específicos y efectivos.
El uso de esta tecnología permite adquirir nuevos conocimientos sobre la progresión del Parkinson
Estas decisiones de modelado permiten 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 del estudio apoyan la hipótesis de que existen diversas vías de progresión.
Sin embargo, el modelo de IA aún puede realizar predicciones precisas. Debido a que este 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.
Empero, todavía queda mucho trabajo por hacer. Por ejemplo, los científicos esperan 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.
TAMBIÉN LEE: Cómo la inteligencia artificial puede ayudar a combatir los ataques de phishing
