Predicción de Demencia con Algoritmos de Machine Learning: ¿Cuál es la Mejor Opción?

Resumen de una revisión sistemática a cerca de Predicción de Demencia con Algoritmos de Machine Learning

En esta publicación te comparto el resumen de una revisión sistemática y metanálisis reciente acerca de la predicción de Demencia con Algoritmos de Machine Learning, además te brindaré algunas conclusiones sobre cuál es la mejor opción para este propósito.

Tema de Estudio:

Uso del Machine Learning para la detección temprana de Demencia

Título en Inglés:

Machine Learning for Dementia Prediction: A Systematic Review and Future Research Directions

Titulo en español:

Aprendizaje automático para la predicción de Demencias: una revisión sistemática y direcciones de investigación futuras

DOI:

10.1007/s10916-023-01906-7

Fecha de publicación:

Febrero 3 de 2023

Revista:

Journal of Medical Systems volume 47, Article number: 17 (2023)

Importancia:

Es importante destacar que los algoritmos de aprendizaje automático (ML) han sido utilizados con éxito en una amplia gama de desafíos del mundo real, como banca, ciberseguridad, transporte y robots. Sin embargo, estos algoritmos tienen limitaciones que los hacen inapropiados para algunos problemas. En el ámbito clínico, la mayoría de investigaciones sobre predicción de Demencia con Machine Learning se han centrado en modelos de interpretación de imágenes; hay pocas revisiones sobre los modelos de predicción de demencia basados en otros tipos de datos.

Objetivo:

Este estudio tiene como objetivo analizar y comparar modelos de diagnóstico automatizado basados en machine learning, en términos de su eficacia, para detectar la demencia con diferentes modalidades de datos. El artículo también sugiere direcciones futuras de investigación para mejorar estos modelos automatizados de diagnóstico de demencia.

Fuente de los datos:

Para la recopilación de artículos de investigación, los autores realizaron búsquedas en diferentes bases de datos en línea como ScienceDirect, PubMed, IEEE Xplore Digital Library, Springer, Hindawi y PLOs.

Selección de estudios:

Criterios de Selección de Publicaciones:

1. Estudios con modelos automatizados de diagnóstico para demencia y sus subtipos comunes.

2. Estudios publicados entre 2011 y 2022.

3. Estudios que utilizan enfoques de aprendizaje automático (Machine Learning)

4. Estudios con varias modalidades de datos.

5. Publicados en idioma inglés.

Extracción de datos y análisis:

Los autores recopilaron 450 estudios, de los cuales 75 cumplieron los criterios de selección para la revisión luego de aplicar las cuatro etapas recomendadas por PRISMA: identificación, selección, elegibilidad e inclusión. Los modelos de ML y DL que se utilizaron con más frecuencia fueron las Redes Neuronales Convolucionales (CNN) en los dataset de imágenes , y las Máquinas de Vectores de Soporte (SVM) en los modelos de clasificación con otros tipos de datos.

Principales medidas y desenlaces:

En cuanto a las principales medidas y desenlaces, se estudiaron un total de 61 conjuntos de datos incluidos en los 75 artículos seleccionados, recopilados de una amplia gama de organizaciones y hospitales de todo el mundo. Se evaluó su desempeño con métricas como precisión, sensibilidad y especificidad para cada modelo.

Los conjuntos de Datos se clasificaron en tres tipos:

1. Modalidad de imagen.
2. Información clínica.
3. Modalidad de voz”

Resultados:

Se realizó una revisión sistemática de 75 artículos publicados en los últimos 10 años que utilizaron algoritmos de aprendizaje automático (Machine Learning) y aprendizaje profundo (Deep Learning) para analizar datos clínicos con el fin de identificar variables que puedan ayudar a predecir la demencia y sus subtipos.
Fueron  examinadas las características de los datos utilizados, las metodologías computacionales y el énfasis de los estudios.

Se encontró que los modelos basados en imágenes tienen una mayor precisión que los modelos basados en datos clínicos y de voz.

– Resultados promedio de Todos los estudios: Precisión: 86.25% / Sensibilidad: 87.03% / Especificidad: 80.51%
– Resultados promedio de los modelos basados en Imágenes: Precisión: 88.6% / Sensibilidad: 89.22% / Especificidad: 86.30%
– Resultados promedio de los modelos basados en datos clínicos: Precisión: 86.22% / Sensibilidad: 86.83% / Especificidad: 73.21%
– Resultados promedio de los modelos basados en audio: Precisión: 83.84% / Sensibilidad: 81.87% / Especificidad: 94.7%”

 

Conclusiones y relevancia:

En síntesis, la inteligencia artificial y el aprendizaje automático han demostrado ser herramientas valiosas en la detección temprana de la demencia a través del análisis de datos clínicos, de voz e imágenes.

Los modelos basados en imágenes parecen tener una mayor precisión en la predicción de la demencia y sus subtipos, mientras que los modelos basados en datos clínicos y de voz también presentan resultados prometedores.

Además, las medidas de precisión, sensibilidad y especificidad son útiles para evaluar la eficacia de los modelos de aprendizaje automático y ayudar en la toma de decisiones clínicas.

Finalmente, vale remarcar que la aplicación de estas tecnologías en la atención médica tiene el potencial de mejorar significativamente la identificación temprana de la demencia, lo que como consecuencia, puede mejorar la calidad de vida de los pacientes y sus familias.

Diagnósticos en que aplica esta Revisión Sistemática:

Demencia tipo Alzheimer – Demencia no especificada
Código CIE 10: F00 – F03
codigo_cie11: Demencia no especificada: 8A49

Tipo de Estudio:

Revisión Sistemática y Metanálisis

Categoría de Publicación en blog:

Inteligencia Artificial en Medicina

---

Resumen en PDF:

En esta sección puedes acceder y descargar el resumen del artículo en pdf

reporte_dataset_revsis_metanalisis_prediccion_demencia_ML

---

Te interesó este contenido?

También te puede interesar: 

Mejorando la Predicción del Riesgo de Cáncer de mama

Evaluación de la calidad de Artículos sobre uso de Inteligencia Artificial para el Diagnóstico de patologías de Columna Vertebral y Osteoporosis

Déjame tu nombre y correo en el formulario de contacto para notificarte sobre contenido relacionado que publique en este blog.

Accede a otras publicaciones sobre administración en salud y gestión clínica, aquí.

Oscar Efrem García Fernández