Investigadores de la UCLA han desarrollado una herramienta de inteligencia artificial que puede utilizar registros médicos electrónicos para identificar pacientes con enfermedad de Alzheimer no diagnosticada, abordando una brecha crítica en la atención del alzhéimer: un subdiagnóstico significativo, particularmente entre comunidades subrepresentadas.
Las disparidades en el diagnóstico de alzhéimer y demencia entre ciertas poblaciones han sido un problema de larga data. Los afroamericanos tienen casi el doble de probabilidades de padecer esta enfermedad neurodegenerativa en comparación con los blancos no hispanos, pero solo 1,34 veces más probabilidades de recibir un diagnóstico. De igual manera, las personas hispanas y latinas tienen 1,5 veces más probabilidades de padecer la enfermedad, pero solo 1,18 veces más probabilidades de ser diagnosticadas.
“La enfermedad de Alzheimer es la sexta causa principal de muerte en Estados Unidos y afecta a 1 de cada 9 estadounidenses mayores de 65 años”, afirmó el Dr. Timothy Chang , autor correspondiente del estudio, del Departamento de Neurología de UCLA Health. “La brecha entre quienes padecen la enfermedad y quienes reciben el diagnóstico es considerable, y es aún más significativa en las comunidades subrepresentadas”.
Investigaciones anteriores han aprovechado modelos de aprendizaje automático para intentar predecir la enfermedad de Alzheimer utilizando registros médicos electrónicos, pero fueron diseñados utilizando marcos tradicionales que pueden no tener en cuenta ciertos sesgos de diagnóstico.
El nuevo modelo desarrollado por el equipo de UCLA adoptó un enfoque diferente, conocido como aprendizaje positivo no etiquetado semisupervisado, que fue diseñado específicamente para promover la imparcialidad manteniendo al mismo tiempo una alta precisión.
Los registros médicos electrónicos de más de 97.000 pacientes de UCLA Health, incluidos aquellos con diagnósticos confirmados de enfermedad de Alzheimer y casos no confirmados.
El modelo alcanzó índices de sensibilidad del 77 al 81% entre los grupos de blancos no hispanos, afroamericanos no hispanos, hispanos/latinos y del este asiático, en comparación con la 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, como el alzhéimer, pero encontraron deficiencias en la reducción de sesgos y disparidades. Las herramientas de la UCLA analizaron patrones en los historiales médicos, como el diagnóstico, la edad y otros factores clínicos. También se identificaron características predictivas clave para el alzhéimer, incluyendo indicadores neurológicos como la pérdida de memoria y patrones inesperados como úlceras por decúbito y palpitaciones cardíacas, 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 UCLA aprende tanto de los casos confirmados como de los pacientes con alzhéimer desconocido. Los investigadores incorporaron medidas de equidad durante el desarrollo del modelo, utilizando criterios poblacionales específicos para reducir las disparidades diagnósticas.
La herramienta se validó mediante múltiples enfoques, incluyendo datos genéticos. Los pacientes con pronóstico de alzhéimer sin diagnosticar mostraron puntuaciones de riesgo poligénico y marcadores genéticos de la enfermedad, conocidos como recuentos del alelo APOE, significativamente más altos que aquellos con pronóstico de no tenerla. Chang afirmó que la herramienta podría ayudar a los médicos a identificar pacientes de alto riesgo que podrían beneficiarse de evaluaciones o pruebas de detección adicionales. La identificación temprana es crucial a medida que se disponen de nuevos tratamientos para el alzhéimer y las intervenciones en el estilo de vida pueden ralentizar la progresión de la enfermedad.
El equipo de investigación planea validar el modelo prospectivamente en sistemas de salud asociados para evaluar su generalización y utilidad clínica antes de su posible implementación en la atención de rutina.
“Al garantizar predicciones equitativas entre poblaciones, nuestro modelo puede ayudar a remediar el infradiagnóstico significativo en poblaciones subrepresentadas”, afirmó Chang. “Tiene el potencial de abordar las disparidades en el diagnóstico del alzhéimer”.
