Un hito científico publicado en la revista Nature Aging promete transformar por completo el diagnóstico del Alzheimer. Investigadores de la Universidad de California en San Francisco (UCSF) desarrollaron una estrategia de aprendizaje profundo multitarea capaz de anticipar el deterioro cognitivo utilizando únicamente una resonancia magnética corriente y datos demográficos básicos.
La demencia representa actualmente la séptima causa de defunción a nivel global y es una de las principales razones de discapacidad y dependencia entre personas mayores en todo el mundo, según datos de la Organización Mundial de la Salud (OMS). Frente a este panorama, el nuevo sistema elimina la necesidad de recurrir a pruebas complejas y costosas como tomografías por emisión de positrones (PET), análisis genéticos o extensos tests neurocognitivos que demandan la intervención de especialistas y software de morfometría lento.
El modelo demostró superar la precisión de todos los sistemas de inteligencia artificial existentes hasta el momento. La herramienta logra predecir de forma pionera el diagnóstico de Alzheimer, la segmentación de tejidos cerebrales y las puntuaciones cognitivas tanto actuales como futuras de los pacientes, todo sobre la base de una única exploración inicial rápida y fácil de implementar.
Para el entrenamiento y validación de esta tecnología, el equipo liderado por el profesor Ashish Raj utilizó la base de datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer y registros del Proyecto Conectoma Humano en adultos jóvenes. La robustez del sistema se confirmó mediante pruebas independientes con el Dallas Lifespan Brain Study, demostrando una alta tolerancia a errores y gran capacidad de adaptación al analizar muestras diversas y cohortes externas.
Más allá del Alzheimer, los autores propusieron extender el alcance de esta técnica para evaluar la relación entre la morfología cerebral y la cognición en otras enfermedades neurodegenerativas como el Parkinson, la esclerosis lateral amiotrófica (ELA) y la enfermedad de Huntington. Esta capacidad abre una oportunidad crucial para hospitales alejados de las grandes urbes y contextos comunitarios donde suele escasear el personal entrenado para evaluaciones neurocognitivas complejas.
El avance también presenta implicancias directas para el desarrollo de nuevos tratamientos. Al predecir correctamente qué pacientes progresarán en su deterioro y cuáles no utilizando solo datos basales, el modelo optimizará la selección de participantes y el seguimiento en grandes ensayos clínicos, reduciendo drásticamente los costos y el tamaño de las muestras necesarias para evaluar la efectividad de fármacos en desarrollo.
Referentes de la medicina internacional ya manifestaron su interés en este descubrimiento. El cardiólogo Eric Topol destacó el alcance de la herramienta al señalar que una sola resonancia magnética, datos demográficos e inteligencia artificial bastan para predecir puntuaciones cognitivas actuales y futuras. La transferencia definitiva de esta tecnología a la rutina hospitalaria dependerá de validaciones adicionales en escenarios reales para consolidar una alternativa ágil y escalable frente al avance de las patologías neurológicas.
