Investigadores de la UCLA han desarrollado una herramienta de inteligencia artificial capaz de identificar a pacientes con enfermedad de Alzheimer no diagnosticada a partir de sus historiales clínicos electrónicos. Esta innovación busca abordar una brecha crítica en la atención del Alzheimer: el subdiagnóstico, especialmente en comunidades subrepresentadas.
El estudio, publicado en la revista npj Digital Medicine, revela que las disparidades en el diagnóstico de Alzheimer y otras demencias son un problema persistente. Los afroamericanos tienen casi el doble de probabilidades de padecer la enfermedad neurodegenerativa en comparación con los blancos no hispanos, pero solo 1.34 veces más probabilidades de recibir un diagnóstico. De manera similar, las personas hispanas y latinas tienen 1.5 veces más probabilidades de tener la enfermedad, pero solo 1.18 veces más probabilidades de ser diagnosticadas.
“La enfermedad de Alzheimer es la sexta causa principal de muerte en los Estados Unidos y afecta a 1 de cada 9 estadounidenses mayores de 65 años”, afirmó el Dr. Timothy Chang, autor principal del estudio y del Departamento de Neurología de UCLA Health. “La diferencia entre quienes realmente padecen la enfermedad y quienes son diagnosticados es considerable, y es aún más pronunciada en las comunidades subrepresentadas.”
Investigaciones previas han utilizado modelos de aprendizaje automático para predecir el Alzheimer a partir de historiales clínicos electrónicos, pero estos se diseñaron utilizando enfoques tradicionales que podrían no tener en cuenta ciertos sesgos diagnósticos. El nuevo modelo desarrollado por el equipo de la UCLA adoptó un enfoque diferente, conocido como aprendizaje semi-supervisado positivo no etiquetado, diseñado específicamente para promover la equidad manteniendo una alta precisión.
Para el desarrollo del modelo, se analizaron los historiales clínicos electrónicos de más de 97,000 pacientes de UCLA Health, incluyendo aquellos con diagnósticos confirmados de Alzheimer y casos no confirmados.
Los resultados mostraron que el modelo alcanzó tasas de sensibilidad del 77% al 81% en grupos de blancos no hispanos, afroamericanos no hispanos, hispanos/latinos y asiáticos orientales, en comparación con las tasas de sensibilidad del 39% al 53% de los modelos supervisados convencionales.
Los investigadores de la UCLA se basaron en modelos de IA previos utilizados para predecir diversas enfermedades, incluido el Alzheimer, pero identificaron áreas de mejora en la reducción de sesgos y disparidades. La herramienta de la UCLA analizó patrones en los historiales clínicos, como el diagnóstico, la edad y otros factores clínicos. Se identificaron características predictivas clave para el Alzheimer, incluyendo indicadores neurológicos como la pérdida de memoria, así como patrones inesperados como úlceras por presión y palpitaciones, que podrían indicar casos no diagnosticados.
A diferencia de los enfoques tradicionales que requieren diagnósticos confirmados para todos los datos de entrenamiento, el modelo de la UCLA aprende tanto de casos confirmados como de pacientes con un estado de Alzheimer desconocido. Los investigadores incorporaron medidas de equidad a lo largo del desarrollo del modelo, utilizando criterios específicos de cada población para reducir las disparidades diagnósticas.
La herramienta se validó utilizando múltiples enfoques, incluyendo datos genéticos. Los pacientes que fueron predichos como portadores de Alzheimer no diagnosticado mostraron puntajes de riesgo poligénico significativamente más altos y marcadores genéticos de la enfermedad, conocidos como conteos de alelos APOE ε4, en comparación con aquellos que no fueron predichos como portadores.
El Dr. Chang señaló que la herramienta podría ayudar a los médicos a identificar a pacientes de alto riesgo que podrían beneficiarse de una evaluación o detección adicional. La identificación temprana es crucial, ya que están disponibles nuevos tratamientos para el Alzheimer y las intervenciones en el estilo de vida pueden ralentizar la progresión de la enfermedad.
El equipo de investigación planea validar el modelo de forma prospectiva en sistemas de salud asociados para evaluar su generalización y utilidad clínica antes de su posible implementación en la atención rutinaria.
“Al garantizar predicciones equitativas en todas las poblaciones, nuestro modelo puede ayudar a remediar el importante subdiagnóstico en las poblaciones subrepresentadas”, concluyó Chang. “Tiene el potencial de abordar las disparidades en el diagnóstico del Alzheimer.”
