¿Podría un modelo de modelos ayudar a desentrañar la enfermedad de Alzheimer?

Dos personas pueden recibir un diagnóstico de enfermedad de Alzheimer y, aun así, enfrentarse a problemas muy distintos. Una puede tener dificultades principalmente con la memoria; otra, para encontrar palabras o orientarse en lugares conocidos. También pueden diferir sus imágenes cerebrales, sus antecedentes genéticos y otros problemas de salud. Para los investigadores que intentan predecir qué ocurrirá después, el diagnóstico por sí solo deja muchas preguntas sin respuesta.

Una revisión dirigida por investigadores de la Hebrew University of Jerusalem propone un enfoque computacional para comprender mejor esas diferencias. En lugar de buscar un único modelo que explique a todos los pacientes, el equipo plantea el metamodelado: conectar modelos especializados sobre distintos aspectos de la enfermedad para elaborar un perfil individual más detallado.

El artículo, La enfermedad de Alzheimer en la era computacional: de una enfermedad determinista a un trastorno multifacético, se publicó en Brain el 30 de julio de 2026. Entre sus autores figuran Meitar Benbaji, Barak Raveh, Lana Bassal, Uri Elias, Lidor Gazit, Gilles Allali, Gad A. Marshall y Shahar Arzy, con afiliaciones a Hebrew University, Hadassah Medical Center, Lausanne University Hospital y hospitales afiliados a Harvard.

Se trata de una propuesta para futuras investigaciones, no de un sistema de diagnóstico validado ni de un tratamiento demostrado. Su importancia radica en una pregunta diferente: ¿pueden los métodos computacionales convertir los numerosos hallazgos dispersos sobre la enfermedad de Alzheimer en explicaciones y predicciones útiles para una persona en particular?

Por qué una sola etiqueta puede ocultar diferencias importantes

El comunicado de la universidad destaca que la enfermedad de Alzheimer puede implicar distintas combinaciones de síntomas cognitivos, cambios cerebrales, procesos biológicos, factores genéticos y factores de riesgo. El deterioro de la memoria es solo una parte de ese panorama. También pueden verse afectados la orientación, el lenguaje, la conducta, el procesamiento visual y la función ejecutiva.

El panorama biológico también va más allá del amiloide y la tau, las dos proteínas más estrechamente asociadas con la enfermedad. Los investigadores sostienen que, además de estas, hay que tener en cuenta los procesos inflamatorios, vasculares, metabólicos y otros. El objetivo es entender cómo se combinan estos factores en cada persona, en lugar de suponer que todas las personas con el mismo diagnóstico siguen una trayectoria idéntica.

En el comunicado de prensa, Arzy describe el desafío central como la necesidad de entender la combinación particular de cambios biológicos y cognitivos de cada paciente. Un perfil más completo podría combinar evaluaciones cognitivas y conductuales con imágenes, biomarcadores, datos genéticos, mediciones moleculares y observaciones recopiladas a lo largo del tiempo.

Integrar todos esos datos es un problema complejo. Una imagen cerebral, una medida de riesgo genético y un registro de los cambios en las capacidades cotidianas describen aspectos diferentes. Reunirlos en una sola base de datos sería un punto de partida; explicar cómo se relacionan es la tarea más difícil.

Cómo funcionaría un modelo de modelos

El marco bayesiano propuesto parte de modelos parciales que abordan aspectos específicos de la enfermedad. Cada uno se convierte en un modelo sustituto probabilístico: una representación de las relaciones entre las entradas, las salidas y los parámetros pertinentes. A continuación, una capa de acoplamiento conecta estas representaciones mediante variables compartidas, como la etapa de la enfermedad o la tasa de progresión.

En términos sencillos, el enfoque proporciona un lenguaje matemático común a modelos que, de otro modo, estarían separados. Un modelo de imágenes y otro cognitivo podrían aportar pruebas a una misma estimación del estado de un paciente, sin dejar de conservar sus estructuras diferentes. Entre los resultados previstos figuran las trayectorias individuales, los subgrupos de pacientes y las comparaciones entre los resultados previstos con una intervención y sin ella.

El artículo también permite que coexistan distintas formulaciones y que se evalúen en función de las pruebas disponibles. Esto es valioso en un campo en el que los investigadores pueden discrepar sobre qué mecanismos son más influyentes. Sin embargo, los efectos de las intervenciones modelizados seguirían siendo hipótesis que requieren comprobación: cambiar un parámetro en una simulación no demuestra que un tratamiento vaya a ayudar a un paciente.

El desafío computacional va más allá de encontrar patrones

Para quienes trabajan en inteligencia artificial, la distinción interesante es la que existe entre detectar una asociación y construir una explicación capaz de resistir un análisis riguroso. Un sistema podría aprender que dos mediciones varían conjuntamente sin demostrar si cambiar una mejoraría la otra. El tratamiento personalizado exige mucho más que una predicción convincente.

Por eso, la propuesta de metamodelado da especial importancia a la relación entre las pruebas y los supuestos. Si un modelo componente no es fiable, conectarlo con otros modelos no lo corrige automáticamente. Un sistema más elaborado puede producir un error más elaborado, a menos que los investigadores evalúen cuidadosamente sus componentes y sus predicciones conjuntas.

El trabajo también refleja el carácter interdisciplinario del grupo de investigación de Hebrew University. El perfil de la universidad describe a un equipo de neurocientíficos, profesionales clínicos e informáticos que estudia cómo se relacionan las personas con su entorno, con especial atención a la enfermedad de Alzheimer. Esta perspectiva ayuda a explicar por qué la propuesta incluye la experiencia cognitiva cotidiana junto con las mediciones biológicas.

Qué podría cambiar para la investigación y los ensayos clínicos

Si se desarrolla y valida con éxito, un modelo integrado podría ayudar a los investigadores a identificar a los pacientes cuya enfermedad está impulsada por combinaciones similares de procesos. Esto podría facilitar una clasificación más precisa en los ensayos clínicos y ayudar a los investigadores a decidir qué mecanismos abordar y en qué participantes.

También podría permitir analizar la progresión de forma más individualizada. En lugar de preguntarse únicamente cómo cambia un paciente promedio, los investigadores podrían estudiar cómo evolucionan conjuntamente los síntomas, los biomarcadores y los factores de riesgo de una persona concreta. El seguimiento de los pacientes a lo largo del tiempo permitiría comparar los pronósticos con lo que ocurre en realidad.

La universidad describe otro posible uso: comparar las trayectorias simuladas con una intervención y sin ella. Estas comparaciones podrían ayudar a priorizar las preguntas de investigación antes de emprender estudios costosos. Habría que interpretarlas como estimaciones basadas en modelos, haciendo explícitas la incertidumbre y las suposiciones, y no como pruebas de que una intervención funciona.

Una agenda de investigación con mucho trabajo por delante

La propuesta de los autores depende de contar con conjuntos de datos más amplios y diversos, realizar validaciones repetidas y colaborar con toda la comunidad de investigación sobre el Alzheimer. Estos requisitos son fundamentales para la idea. Un perfil detallado del paciente solo resulta útil si la información que lo nutre es fiable y sus predicciones se mantienen más allá de las personas y los conjuntos de datos utilizados para construirlo.

También cabe preguntarse qué se gana con una mayor complejidad. Los investigadores tendrían que demostrar que combinar modelos mejora una tarea importante —como pronosticar la progresión o identificar un subgrupo significativo de pacientes— lo suficiente como para justificar el trabajo adicional de recopilación de datos y modelización.

La contribución inmediata es un marco para conectar investigaciones, no un producto clínico. Su potencial radica en que la computación podría ayudar a explicar las diferencias entre pacientes, en lugar de dejar sin resolver esa variabilidad mediante una única etiqueta diagnóstica. Que esto conduzca a mejores decisiones dependerá de las pruebas que se acumulen al respecto.