Los modelos de inteligencia artificial utilizan el procesamiento del lenguaje natural para predecir el riesgo de desarrollar Alzheimer

Un equipo de investigadores de inteligencia artificial de IBM y Pfizer (PFE ) ha desarrollado algoritmos de inteligencia artificial que pueden detectar potencialmente signos de la enfermedad de Alzheimer analizando la escritura de las personas y encontrando patrones lingüísticos.

Otros investigadores de inteligencia artificial han desarrollado modelos destinados a predecir el desarrollo de la enfermedad de Alzheimer analizando escaneos de PET o interpretando datos de pruebas clínicas. Estos otros modelos se entrenaron con datos recientes, pero el modelo desarrollado por el equipo de IBM-Pfizer se entrenó con datos del Estudio del Corazón de Framingham, que incluye datos de más de 14,000 personas a lo largo de tres generaciones y seis décadas. La naturaleza a largo plazo de los datos es importante, ya que si la inteligencia artificial es capaz de detectar patrones de manera fiable dentro de grandes poblaciones durante períodos prolongados, los investigadores podrían potencialmente predecir la manifestación de la enfermedad de Alzheimer años antes de las técnicas de diagnóstico actuales. Además, podría ser un método de diagnóstico confiable que no requiere el uso de tecnología de escaneo o pruebas invasivas, lo que aumenta el rango de escenarios en los que se puede utilizar.

Según el vicepresidente de atención médica y ciencias de la vida de IBM, Ajay Royyuru, los modelos de inteligencia artificial desarrollados por el equipo de investigación pueden funcionar como una herramienta que ayuda a los profesionales médicos a obtener pistas sobre el posible desarrollo de la enfermedad de Alzheimer antes de las pruebas clínicas. Los modelos pueden funcionar esencialmente como sistemas de alerta temprana que instan a los profesionales médicos a realizar pruebas más extensas.

Para entrenar los modelos de inteligencia artificial, el equipo de investigación utilizó transcripciones de respuestas escritas a mano a varias preguntas. Los participantes en el Estudio del Corazón de Framingham se les pidió que describieran una imagen de un entorno utilizando su lenguaje natural. Las respuestas generadas por los encuestados se digitalizaron y las transcripciones se alimentaron a los algoritmos de aprendizaje automático como datos de entrenamiento. Según IBM, los modelos pudieron detectar ciertas características lingüísticas que se correlacionan con el desarrollo de trastornos neurodegenerativos. Los clínicos han encontrado durante mucho tiempo que el uso de palabras repetidas, errores de ortografía y una preferencia por frases simples sobre oraciones más complejas pueden ser indicativos del progreso de la enfermedad de Alzheimer, y los modelos de inteligencia artificial detectaron las mismas características.

Según los resultados del estudio, el modelo principal logró una precisión aproximada del 70% al predecir qué participantes en el estudio original eventualmente desarrollaron la enfermedad de Alzheimer a la edad de 85 años. Los modelos, y por lo tanto los resultados, se derivaron de los datos históricos dentro del estudio original. No predijeron realmente eventos futuros. Además, el modelo de inteligencia artificial se entrenó en la subsección más antigua de la población de Framingham. Esta población era principalmente blanca no hispana, y como resultado, hay límites en la generalización de los resultados para otras etnias y poblaciones de todo el mundo. El tamaño de la muestra para el estudio fue bastante pequeño, consistiendo en solo 40 individuos que desarrollaron demencia y 40 que no.

A pesar de estas limitaciones, el estudio tiene valor como uno de los primeros estudios en analizar datos de la vida real a gran escala recopilados durante un período prolongado. La precisión del modelo podría aumentarse potencialmente si se incluyen ciertas características que se dejaron fuera del estudio en los datos de entrenamiento futuros, como la escritura a mano. Un enfoque similar también podría utilizarse con grabaciones de audio de habla, que incluye pausas que no están representadas en el lenguaje escrito.

Según Royyuru, la ventaja de utilizar muestras de lenguaje es que, independientemente de si las muestras son habladas o escritas, son métodos no invasivos para determinar las condiciones cognitivas de las personas. La recopilación de datos de lenguaje se puede realizar de forma remota y relativamente barata mediante la utilización de Internet, aunque es importante que se establezcan salvaguardias de privacidad y consentimiento informado al recopilar dichos datos.

Coautor del estudio y investigador de neuroimagen y psiquiatría computacional en IBM, Guillermo Cecchi, explicó a Scientific American que el proceso se está adaptando para comprender otras formas de enfermedad también:

“Estamos en el proceso de aprovechar esta tecnología para comprender mejor enfermedades como la esquizofrenia, [esclerosis lateral amiotrófica] y la enfermedad de Parkinson, y lo estamos haciendo en estudios prospectivos [que] analizan muestras de habla hablada, dadas con consentimiento de pruebas verbales cognitivas similares.”