Las enfermedades neurodegenerativas son trastornos que afectan progresivamente a las neuronas del cerebro, alteran su función y provocan su muerte. Incluyen muchos trastornos diferentes, como las enfermedades de Alzheimer y Parkinson, que se encuentran entre las principales causas de discapacidad y muerte y cuestan cientos de miles de millones de dólares por año solo en los EE. UU. La enfermedad de Huntington (HD), que es hereditaria y causada por una sola mutación genética, es particularmente devastadora.
Según la Sociedad de Enfermedades de Huntington de América, más de 200,000 estadounidenses están actualmente en riesgo de heredar la enfermedad genética. Las personas con EH muestran síntomas que comienzan como cambios cognitivos y motores sutiles, pero que gradualmente se convierten en movimientos incontrolables y demencia antes de que eventualmente conduzcan a la muerte. Existe una gran variabilidad en el momento de aparición de estos síntomas y su ritmo. Algunas personas comienzan a mostrarlos a los 20 años, otros a los 60. Esto significa que, incluso con las pruebas genéticas disponibles, existe la necesidad de reducir la incertidumbre sobre el estado y el futuro de los pacientes individuales para sus propios planes de vida. También son críticos los ensayos clínicos que potencialmente pueden ayudar a tratar a los afectados por la enfermedad. Una ruta potencial para progresar es usar técnicas de IA que pueden aprender los patrones presentes en diferentes medidas clínicas para extraer información sobre el estado actual de los pacientes y su probable progresión.
Para explorar esto, IBM Research colaboró con CHDI Foundation, una organización de investigación biomédica sin fines de lucro dedicada exclusivamente al desarrollo terapéutico en colaboración que mejorará sustancialmente la vida de las personas afectadas por la EH. En un nuevo estudio publicado hoy en la revista Scientific Reports por Nature Research, los investigadores de IBM y CHDI estudiaron la relación entre el ritmo del deterioro cognitivo sutil en pacientes antes de los síntomas completos y su actividad cerebral, como lo demuestra una resonancia magnética funcional. Los resultados demuestran que la medición de la progresión potencial de la EH podría hacerse con un solo escáner cerebral, adquirido en una visita.
Una parte importante de la colaboración entre IBM Research y CHDI es desarrollar modelos de inteligencia artificial que aprendan patrones presentes en imágenes cerebrales que puedan proporcionar información individualizada sobre la progresión. Estos esfuerzos comienzan a dar sus frutos.
Devastador como es, desde un punto de vista técnico, HD muestra una serie de características que lo distinguen de otros trastornos neurodegenerativos y no solo guían el diseño del tratamiento, sino que también nos ayudan a comprender mejor la enfermedad. En particular, las pruebas genéticas permiten estudiar su progresión muchos años antes del inicio de los síntomas. De hecho, varios estudios grandes siguieron a cientos de personas con y sin la mutación HD a lo largo del tiempo (4a, 4b, 4c). Esta configuración es óptima para construir modelos de IA que pueden conocer los primeros signos de la enfermedad en el cerebro y pueden informar cambios clínicos en curso y futuros.
Medir el cerebro en reposo
En IBM Research, se utilizaron datos de uno de estos estudios (TRACK-HD) para preguntar qué información está presente sobre el trastorno en las imágenes de resonancia magnética funcional, que registran la actividad en todo el cerebro. Incluso cuando uno “no hace nada” (lo que los neurocientíficos llaman el “estado de reposo”), el cerebro siempre está activo. Algunas áreas del cerebro tienden a activarse en sincronía, mientras que otras tienden a ser más activas cuando otras se vuelven inactivas.
El equipo utilizó técnicas de IA diseñadas para extraer datos sobre los cambios cognitivos en curso presentes en estos patrones de coactivación, que pueden ser muy sutiles. Esto implicaba construir una red cerebral de alta resolución a partir de la actividad en estado de reposo, donde las conexiones funcionales se definen por altas correlaciones entre los nodos de la red. Luego, creamos mapas que clasificaron la centralidad o importancia de cada nodo en cada cerebro individual. Mostramos que estos mapas proporcionan una firma neurológica confiable, incluso cuando se vuelven a medir uno o dos años después.
Mediante el uso de modelos de IA interpretables, demostramos que estos patrones pueden indicar la rapidez con la que comienzan a producirse cambios cognitivos. Aplicamos un modelo de regresión logística simple, modificado para seleccionar de todo el cerebro solo los nodos más relevantes. Estos modelos podrían identificar de manera confiable subgrupos extremos de pacientes que eran estables o mostraban un rápido declive. Además, estos mismos modelos podrían proporcionar una estimación continua de la tasa de disminución, que siguió siendo válida incluso cuando se observaron datos de hospitales que no se consideraron durante la capacitación del modelo. Tener esta sólida estimación es importante, porque detectar cambios clínicos lentos y sutiles es un desafío, y puede llevar muchas visitas anuales al médico.
El potencial para los pacientes
Este enfoque tiene varias aplicaciones potenciales, en particular para el diseño de ensayos clínicos. Si tiene éxito, la terapéutica candidata podría evaluarse en personas que apenas están comenzando a desarrollar síntomas, cuando existe la mejor oportunidad de retrasar la progresión, pero sin probar la terapéutica en personas que están completamente libres de síntomas y en las que la efectividad de un nuevo tratamiento sería imposible de detectar.
Este no es el primer resultado impulsado por la IA que los investigadores de IBM han encontrado. Hace dos años, aplicamos modelos de IA a resonancia magnética cerebral anatómica (en lugar de funcional). Estas imágenes no rastrean la actividad cerebral, pero proporcionan mapas de alta resolución de los primeros signos de atrofia cerebral en las estructuras que se sabe que están afectadas por la EH. Estudiamos la información presente en estos mapas sobre los primeros signos de discapacidad motora en los participantes de la investigación antes de que se presenten los síntomas completos. Descubrimos que cuando los modelos de IA combinan mediciones del deterioro motor de las visitas al hospital con una resonancia magnética, es posible obtener una estimación precisa de la gravedad de este síntoma en los próximos tres años.
Esta información pronóstica es importante, no solo para el diseño de ensayos clínicos, sino también para los propios pacientes. Estos son solo los primeros resultados de una serie de esfuerzos combinados de investigación de IBM y CHDI impulsados por el objetivo de utilizar medicamentos personalizados para avanzar aún más en el desarrollo de medicamentos para esta enfermedad