El empleo de Inteligencia Artificial puede ayudar a predecir la enfermedad de Alzheimer hasta siete años antes de que aparezcan los síntomas analizando los historiales de los pacientes con aprendizaje automático, tal y como revela un estudio de científicos de la Universidad de California en San Francisco.

Este trabajo demuestra la utilidad de la Inteligencia Artificial (IA) a la hora de detectar patrones en los datos clínicos que luego pueden utilizarse para explorar grandes bases de datos genéticos y determinar qué es lo que impulsa ese riesgo. El objetivo último es acelerar el diagnóstico y tratamiento del Alzheimer y otras enfermedades complejas.

Tal y como afirma la autora principal del estudio, Alice Tang, estudiante de doctorado en el laboratorio Sirota de la UCSF, «se trata de un primer paso hacia el uso de la Inteligencia Artificialen datos clínicos rutinarios, no sólo para identificar el riesgo lo antes posible, sino también para comprender la biología que hay detrás». «El poder de este enfoque de IA proviene de la identificación del riesgo basada en combinaciones de enfermedades». señala.

Los científicos llevan mucho tiempo tratando de descubrir los factores biológicos y predictivos del Alzheimer, una forma de demencia progresiva y mortal que destruye la memoria. El riesgo de contraer la enfermedad aumenta con la edad, y aunque las mujeres suelen vivir más que los hombres, eso no explica del todo por qué la padecen más mujeres que hombres.

Para realizar este estudio los investigadores utilizaron la base de datos clínicos de la UCSF, compuesta por más de 5 millones de pacientes, para buscar afecciones concurrentes en pacientes a los que se había diagnosticado Alzheimer en el Centro de Memoria y Envejecimiento de la UCSF en comparación con individuos sin Alzheimer, y descubrieron que podían identificar con un 72% de poder predictivo quién desarrollaría la enfermedad hasta siete años antes.

Varios factores, como la hipertensión, el colesterol alto y la deficiencia de vitamina D, resultaron ser predictivos tanto en hombres como en mujeres. La disfunción eréctil y el agrandamiento de la próstata también se identificaron como factores predictivos en hombres. Sin embargo, para las mujeres, la osteoporosis resultó ser un factor predictivo de especial importancia. Esto no implica que todas las personas con esta enfermedad ósea, que es común entre las mujeres mayores, desarrollarán Alzheimer.

«Es la combinación de enfermedades lo que permite a nuestro modelo predecir la aparición del Alzheimer», recalca Tang, afirmando que «nuestro hallazgo de que la osteoporosis es un factor predictivo para las mujeres pone de relieve la interacción biológica entre la salud ósea y el riesgo de demencia«.

Para comprender la biología que subyace al poder predictivo del modelo, los investigadores recurrieron a bases de datos moleculares públicas y a una herramienta especializada desarrollada en la UCSF llamada SPOKE, una base de datos de bases de datos que los investigadores pueden utilizar para identificar patrones y posibles dianas moleculares para terapias.

Es conocida la asociación entre Alzheimer y colesterol alto a través de una variante del gen de la apolipoproteína E, APOE4. Pero cuando se combinó con bases de datos genéticas también identificó un vínculo entre la osteoporosis y el Alzheimer en mujeres, a través de una variante en un gen menos conocido, llamado MS4A6A.

«Este es un gran ejemplo de cómo podemos aprovechar los datos de los pacientes con el aprendizaje automático para predecir qué pacientes son más propensos a desarrollar Alzheimer, y también para entender las razones por las que esto es así», destaca la autora principal del estudio, Marina Sirota, PhD, profesora asociada en el Instituto de Ciencias de la Salud Computacional Bakar de la UCSF.

En última instancia, los investigadores de la Universidad de California en San Francisco esperan que este método pueda aplicarse a otras enfermedades difíciles de diagnosticar, como el lupus y la endometriosis.

Las personas interesadas pueden consultar aquí el estudio «Leveraging electronic health records and knowledge networks for Alzheimer’s disease prediction and sex-specific biological insights».