DOI: https://doi.org/10.60647/fdgz-yy04
Resumen: La inteligencia artificial (IA) ha transformado múltiples sectores, destacando su impacto en el área de la salud. Su implementación permite analizar grandes cantidades de datos clínicos para mejorar la detección de enfermedades neurodegenerativas(END). Estas patologías se caracterizan por la degradación neuronal progresiva y afectan a más de 60 millones de personas en todo el mundo. La combinación de las bioseñales con métodos de aprendizaje automático representa una oportunidad para el diagnóstico en fases clínicas iniciales, como el deterioro cognitivo leve (DCL), etapa clave para intervenir antes de la progresión hacia cuadros más severos. La IA disminuye la dependencia de evaluaciones subjetivas, y con la identificación de patrones o biomarcadores puede incrementar la precisión diagnóstica. A pesar de que persisten desafíos para su inclusión clínica, estos enfoques ofrecen una gran oportunidad para complementar la detección y el seguimiento de las END.
Palabras clave: Inteligencia Artificial (IA), Análisis de Bioseñales, Enfermedades Neurodegenerativas.
¿Qué es la IA y cuáles son sus ventajas?
La inteligencia artificial (IA) es un conjunto de técnicas computacionales que permiten replicar los procesos de aprendizaje humano, como el razonamiento, la generación creativa y la ejecución autónoma de tareas. Fundamentalmente, está basada en algoritmos, capacidad de cómputo y conjuntos de datos. La IA no es una sola tecnología, está conformada por varios subcampos, como el aprendizaje automático (ML por sus siglas en inglés), en donde se entrenan modelos que identifican patrones y crean predicciones. Asimismo, el aprendizaje profundo (DL por sus siglas en inglés) es un subcampo de ML. Este método utiliza “redes neuronales” inspiradas en la estructura del cerebro, lo que permite abordar tareas complejas y manejar grandes cantidades de información. La IA puede automatizar flujos de trabajo o tareas repetitivas, permitiendo que las personas se enfoquen en tareas de mayor valor. Automatizar trabajos peligrosos descarta la necesidad de incluir trabajadores humanos con riesgo a sufrir lesiones. La IA también contribuye a disminuir errores humanos, guiando a las personas a través de un proceso adecuado o indicando posibles errores antes de que sucedan. Con la IA trabajando continuamente en tareas asignadas, también se eliminan las limitaciones horarias (Stryker & Kavlakoglu, 2024).
En el ámbito científico, la capacidad de analizar amplios corpus de datos con rapidez y precisión, aceleran los avances de investigación y desarrollo de soluciones a problemas específicos. La IA facilita el análisis multimodal de bioseñales (señales eléctricas, físicas o químicas generadas por el cuerpo humano), permitiendo una comprensión más completa de cada caso.
IA en la salud
La IA en el campo de la salud está siendo usada y evaluada para diversas tareas de este campo como la predicción de la evolución de las enfermedades, la personalización de tratamientos, el seguimiento eficiente de los pacientes, mejoramiento de procesos de rehabilitación e incluso la automatización de procesos clínicos.
La IA ha mostrado resultados promisorios tanto en el análisis de imágenes médicas (p. ej., tomografía computarizada, ultrasonidos o radiografías simples) como de bioseñales eléctricas (p. ej., EEG, ECG y EMG), con la implementación de sistemas de reconocimiento de patrones cuyo componente medular son los algoritmos de ML (ver Fig 1.) es posible procesar estos datos con precisión, brindando herramientas a los especialistas para el diagnóstico asistido por computadora. En neurociencias, es particularmente relevante debido a la complejidad del cerebro humano y la diversidad de los trastornos que podrían estar asociados con este órgano.
Enfermedades neurodegenerativas
El cerebro humano es uno de los órganos más sofisticados, es el encargado de procesar los pensamientos, las emociones e incluso las sensaciones, mediante las conexiones neuronales e impulsos eléctricos, lo que nos permite percibir y comprender nuestro entorno. Sin embargo, puede verse afectado por enfermedades neurodegenerativas (END). Estas enfermedades suelen ser difíciles de diferenciar del envejecimiento común en un inicio, dificultando su diagnóstico temprano. Cuando los síntomas se hacen evidentes, el daño ya es avanzado debido a la naturaleza progresiva de estas enfermedades.
Las END se definen por la degradación que sufren las neuronas hasta su muerte. Estas patologías suelen ser irreversibles, provocando la pérdida de funciones en áreas motoras o cognitivas relacionadas con cada una de las enfermedades, causando la pérdida progresiva de la autonomía en los pacientes. Las END agrupan a más de 600 patologías distintas, entre las más comunes se encuentra la enfermedad de Alzheimer (EA), enfermedad de Parkinson (EP) y la enfermedad de Huntington (EH) (Oficina de Ciencia y Tecnología del Congreso de los Diputados, 2023). En México se estima que aproximadamente un millón 300 mil personas padecen EA (Secretaría de Salud, 2023). Si bien, la EA es la séptima causa de muerte a nivel mundial y abarca aproximadamente el 60% de los casos de demencia (WHO, 2023), las END en general afectan a más de 60 millones de personas en todo el mundo (Neuroalianza, 2016). Por lo general son complejas de diferenciar entre ellas, requieren diversos estudios de laboratorio, tests neurológicos e incluso estudios físicos.
Identificación de las END con base en bioseñales
Para identificar END, los especialistas suelen utilizar técnicas avanzadas de neuroimagen (p ej., resonancia magnética funcional). Estos estudios suelen ser tardados e invasivos, además de requerir una instalación compleja, lo que limita su implementación en entornos clínicos de uso común. Por lo que, en muchos casos, el primer mecanismo de identificación se basa en cuestionarios como el mini-mental state examination (MMSE) o el Montreal cognitive assessment (MoCA).
Frente a este escenario, el electroencefalograma(EEG) destaca como una de las bioseñales más relevantes para el estudio de la actividad cerebral, debido a su carácter no invasivo, portátil, de costo accesible y con una alta resolución temporal. El EEG mide la actividad eléctrica en función del tiempo mediante electrodos distribuidos por el cuero cabelludo (ver Fig 2.). Las alteraciones derivadas de los procesos neurodegenerativos permiten obtener información específica sobre cada END y complementar las evaluaciones médicas. Debido a la complejidad y variabilidad de las señales de EEG es difícil estudiarlas por métodos de análisis convencionales. Por esta razón, la integración de técnicas de IA resulta importante, ya que permite identificar patrones sutiles en los datos. Estos modelos facilitan la caracterización de la señal en múltiples dominios. (p. ej., temporal, frecuencial, tiempo/frecuencia), lo que posibilita la extracción de biomarcadores asociados a cada END. Como resultado, mejora la comprensión de las patologías, la diferenciación entre sujetos sanos y pacientes, se aporta evidencia objetiva durante el proceso diagnóstico y se enriquecen las evaluaciones clínicas convencionales.
Un estudio realizado en Italia por Pappalettera et al. (2022) evaluó diferencias en la actividad cerebral entre sujetos con EP y adultos sanos mediante señales de EEG (ver Fig. 3). Analizó 28 registros en estado de reposo de 13 pacientes con EP y 15 controles sanos, aplicando un análisis de entropía aproximada (ApEn) en diez regiones cerebrales de interés (frontal, central, parietal, occipital y temporal de ambos hemisferios). Los resultados mostraron valores de ApEn significativamente más altos en los pacientes con EP, lo que evidencia una mayor irregularidad y desorganización de la actividad cerebral. Estos hallazgos sugieren que el análisis de ApEn podría emplearse como biomarcador para apoyar el diagnóstico y contribuir al diseño de programas de rehabilitación personalizados.
También, en el Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE) se están desarrollando tecnologías que pretenden complementar la detección de END a través del análisis y clasificación de señales de EEG mediante la implementación de modelos de ML, por ejemplo, en Vargas et al. (2025), se estudia la relación entre la EA y los canales de EEG para identificar áreas cerebrales que aportan más información, reduciendo el costo computacional al disminuir la cantidad de características por canal y optimiza la clasificación de los algoritmos tradicionales de ML (p. ej., máquinas de vectores de soporte). Esta metodología ha alcanzado resultados del 91.07% de exactitud al diferenciar pacientes con EA de sujetos sanos. Lo anterior resulta interesante ya que se podría considerar una correlación específica de canales de EEG para cada una de las END, mejorando los procesos de identificación de estas patologías y determinando las regiones cerebrales que mejor las caracterizan, facilitando la futura incorporación a entornos reales con recursos limitados.
Retos del diagnóstico oportuno: DCL un caso de estudio
El deterioro cognitivo leve (DCL) es una condición caracterizada por una alteración de la memoria (distinta al proceso natural del envejecimiento), generalmente no interfiere con las actividades cotidianas, pero puede denotar una fase transitoria hacia otro tipo de END. Su prevalencia en personas mayores a 60 años de edad se encuentra entre el 6.7% y 25.2 % (Salari et al., 2025).
El DCL suele clasificarse en dos tipos: amnésico (asociado comúnmente al déficit de memoria) y no amnésico (puede afectar la atención e incluso las habilidades visuoespaciales). La forma más común de DCL es el amnésico, el cual se asocia a un mayor riesgo de progresión hacia EA (Winblad et al., 2004), mientras que el DCL no amnésico puede evolucionar hacia otras formas de demencia (p. ej, Demencia con Cuerpos de Lewis) dependiendo del dominio afectado (Ferman et al., 2013).
La identificación oportuna de DCL es crucial ya que permitiría iniciar el tratamiento en una etapa en la que la progresión del deterioro aún pudiera ser modificable/aplazable. Sin embargo, su diagnóstico es complejo debido a la sutileza de los síntomas y la falta de biomarcadores definidos. La IA aunada a las bioseñales, principalmente señales de voz y de EEG, tienen un gran potencial para el reconocimiento precoz del DCL debido a que son bioseñales no invasivas y relativamente fáciles de obtener. Estas señales permiten identificar cambios ligeros en funciones como la memoria, el lenguaje y la actividad cerebral. Mediante modelos de ML o DL, sería posible analizar estos datos y detectar patrones asociados al DCL, facilitando la discriminación entre los individuos sin patologías y aquellos en riesgo de desarrollar una END.
Conclusiones
La IA está redefiniendo el diagnóstico de END, haciendo uso de bioseñales y técnicas de ML. Particularmente, en México es de suma importancia el desarrollo de este tipo de sistemas basados en equipos de adquisición de bajo costo y portátiles (para usarse en jornadas de salud en zonas rurales) debido a la escasez de especialistas, saturación hospitalaria y los retos geográficos asociados con nuestro país.
La capacidad de la IA para identificar patrones complejos con grandes volúmenes de información permite avanzar hacia diagnósticos más precisos y oportunos, especialmente en etapas iniciales o de transición como el DCL. No obstante, su implementación en la práctica clínica habitual aún enfrenta desafíos importantes, como la estandarización de los registros, la interpretabilidad de los modelos y la validación con diversas poblaciones. En el futuro, esta integración podría conducir a sistemas de diagnóstico más fiables y personalizados, contribuyendo a una mejor calidad de vida para los pacientes.
