Un nuevo modelo de IA mejora la precisión en el diagnóstico diferencial del párkinson

Este innovador estudio sobre el párkinson, publicado en la prestigiosa revista científica European Journal of Nuclear Medicine and Molecular Imaging, ha sido liderado por sus primeros autores, la Dra. Paula Fernández Rodríguez, facultativa especialista del Servicio de Medicina Nuclear del Hospital Universitario Virgen del Rocío, y Pablo Franco Rosado, investigador vinculado al grupo de Trastornos del Movimiento del IBiS, y ha sido dirigido por el Dr. Michel Grothe, responsable de la Plataforma de Neuroimagen del Centro de Investigación de Enfermedades Neurológicas (CIEN), y el Dr. Pablo Mir, Catedrático del Departamento de Medicina de la Universidad de Sevilla y coordinador del grupo de investigación del IBiS.

El trabajo es fruto de la colaboración entre la Unidad de Trastornos del Movimiento del Servicio de Neurología y el Servicio de Medicina Nuclear del Hospital Universitario Virgen del Rocío, unidad a la que pertenece la primera autora y dirigida por el Dr. José Manuel Jiménez-Hoyuela García, junto con investigadores del Instituto de Biomedicina de Sevilla (IBiS), y del Centro de Investigación Biomédica en Red de Enfermedades Neurodegenerativas (CIBERNED).

Los resultados muestran que la integración de parámetros cuantitativos de imagen con técnicas de aprendizaje automático permite identificar patrones específicos de degeneración cerebral que ayudan a distinguir entre la enfermedad de Parkinson, la parálisis supranuclear progresiva (PSP), la atrofia multisistémica en sus variantes parkinsoniana (MSA-P) y cerebelosa (MSA-C), y la degeneración corticobasal (CBD).

Un reto diagnóstico en neurología

Aunque la enfermedad de Parkinson es el trastorno neurodegenerativo del movimiento más frecuente, existen otras enfermedades con síntomas muy similares durante las primeras fases de evolución. Diferenciarlas correctamente es fundamental porque presentan una evolución distinta, responden de forma diferente a los tratamientos y requieren estrategias clínicas específicas. Sin embargo, el diagnóstico continúa basándose principalmente en la evaluación clínica y puede resultar complejo incluso en centros especializados. Esta dificultad ha impulsado la búsqueda de biomarcadores que permitan aumentar la precisión diagnóstica desde fases tempranas de la enfermedad.

Más de 700 pacientes analizados

El estudio incluyó un total de 706 pacientes atendidos en la Unidad de Trastornos del Movimiento del Hospital Universitario Virgen del Rocío. Todas las personas participantes fueron sometidas a una exploración de SPECT cerebral con [¹²³I]FP-CIT, una técnica de Medicina Nuclear que permite evaluar la integridad del sistema dopaminérgico cerebral mediante la cuantificación de los transportadores de dopamina. Las imágenes fueron adquiridas y procesadas en el Servicio de Medicina Nuclear del Hospital Universitario Virgen del Rocío, dentro de una línea de trabajo clínica e investigadora compartida con la Unidad de Trastornos del Movimiento. Posteriormente, el equipo investigador analizó múltiples parámetros obtenidos de las imágenes utilizando diferentes modelos anatómicos y funcionales del cuerpo estriado e integró toda esa información mediante algoritmos de aprendizaje automático.

Los investigadores comprobaron que determinadas relaciones entre regiones cerebrales —especialmente la relación entre el núcleo caudado y el putamen posterior, así como entre las regiones sensorimotora y límbica— ofrecen una elevada capacidad para diferenciar la enfermedad de Parkinson de varios tipos de parkinsonismos atípicos. Al incorporar simultáneamente todas estas variables en un modelo de aprendizaje automático (Random Forest), el sistema fue capaz de identificar rutas diagnósticas específicas para cada enfermedad, reproduciendo patrones de clasificación que resultan difíciles de detectar mediante la evaluación convencional de las imágenes. Además, el análisis permitió conocer qué biomarcadores aportan mayor información diagnóstica y cómo se combinan entre sí para apoyar la toma de decisiones clínicas.

Hacia una medicina más precisa

Las autoras y los autores destacan que la combinación de biomarcadores de imagen y herramientas de inteligencia artificial no pretende sustituir la valoración clínica del especialista, sino aportar información objetiva adicional que facilite un diagnóstico más preciso y temprano.

Este enfoque puede resultar especialmente útil en aquellos pacientes cuya presentación clínica inicial es ambigua, una situación frecuente en los primeros años de evolución de estas enfermedades neurodegenerativas. Los resultados también consolidan el papel del SPECT con [¹²³I]FP-CIT como un biomarcador in vivo robusto para el estudio de los trastornos degenerativos del movimiento y abren la puerta al desarrollo de herramientas de apoyo a la decisión clínica basadas en inteligencia artificial que puedan incorporarse a la práctica asistencial.