La enfermedad de Alzheimer afecta a unos 50 millones de personas en el mundo, pero casi no existen fármacos que actúen sobre los mecanismos tempranos. La rapamicina, un medicamento aprobado por la FDA, retrasa el envejecimiento y protege las neuronas; sin embargo, su efecto es difícil de evaluar por la cantidad de factores implicados: genética, metabolismo, inflamación, vasos sanguíneos. Los modelos tradicionales de IA en este campo suelen emitir un diagnóstico, no predecir la respuesta a un tratamiento. Este trabajo se aparta de los estudios cercanos, centrados en clasificar el Alzheimer a partir de resonancias o de datos genéticos, y aplica por primera vez un enfoque multimodal a la predicción de la terapia con rapamicina en concreto.
Los autores reunieron datos de 23 pacientes de entre 40 y 60 años de Colombia, estado de Misuri, con dos mediciones cada uno: antes y después del tratamiento. Los ocho tipos de datos incluían resonancia magnética estructural, imagen de perfusión, marcadores de inflamación, metabolitos sanguíneos, flujo sanguíneo cerebral, microbioma, hemograma completo y datos demográficos. Primero, un bosque aleatorio seleccionó las 27 características tabulares más importantes, conservando un mínimo de tres por cada modalidad. Después, codificadores independientes transformaron cada tipo de dato en embeddings, que se alinearon mediante aprendizaje contrastivo: las características de un mismo paciente se acercaban y las de pacientes distintos se alejaban. Por último, un transformer integró los embeddings y predijo el estado del tratamiento. Para evaluarlo se usó una división por pacientes: 16 para entrenamiento, 3 para validación y 4 para prueba, repetida 10 veces con divisiones diferentes.
Sin filtrar características, el modelo daba alrededor del 50% de precisión, es decir, un nivel aleatorio. Tras añadir el bosque aleatorio, la precisión media subió al 71,25% en 10 ejecuciones. Los resultados variaron entre el 50% y el 87,5% según la división. Entre las características seleccionadas dominaban los parámetros del hemograma completo (RDW CV %) y el marcador inflamatorio MIP-1α. Los metabolitos sanguíneos aportaron 14 de las 27 características, aunque por separado eran más débiles. El análisis SHAP confirmó que la sangre y la inflamación son las que más contribuyen a las predicciones, mientras que la demografía casi no importa. La resonancia magnética y el microbioma añadían información moderada, pero útil.
El trabajo se distingue de los estudios cercanos porque, en lugar de diagnosticar el Alzheimer, predice la respuesta a un tratamiento concreto y combina ocho fuentes de datos heterogéneas. Los trabajos vecinos del archivo se centran en clasificar las etapas de la enfermedad a partir de imágenes cerebrales o marcadores genéticos, mientras que aquí se comprueba por primera vez si es posible captar el efecto de una terapia en una muestra pequeña. El éxito del filtrado de características demuestra que, cuando hay pocos pacientes, lo decisivo no es tanto la complejidad del modelo como limpiar de ruido los datos de entrada. Esto abre el camino a la búsqueda de biomarcadores de respuesta a la rapamicina y a la personalización del tratamiento.
El tema puede avanzar hacia muestras más grandes y poblaciones más diversas, ya que los pacientes actuales son en su mayoría de raza caucásica. Añadir datos longitudinales permitirá modelar los efectos de la terapia a largo plazo, y no solo el cambio a corto plazo. También son posibles estudios de ablación para comparar distintos métodos de selección de características y distintas arquitecturas. El análisis de regiones cerebrales concretas antes y después del tratamiento puede revelar correlatos neuroanatómicos de la respuesta.
El método puede ser útil en ensayos clínicos para estratificar a los pacientes e identificar a quienes tienen más probabilidades de responder a la terapia. También es aplicable a otras enfermedades neurodegenerativas y trastornos asociados a la edad, donde importan los biomarcadores sistémicos.
El siguiente paso es la validación en una cohorte más grande y diversa, así como comprobar la reproducibilidad de las características seleccionadas. Conviene realizar una ablación para entender la aportación de cada etapa: el filtrado, el aprendizaje contrastivo y el transformer.
En el campo de la IA médica sigue sin resolverse el problema de trabajar con muestras pequeñas y datos de alta dimensionalidad, donde los modelos tienden al sobreajuste. Este trabajo propone un recurso concreto, filtrar características con un bosque aleatorio antes del aprendizaje profundo, que puede generalizarse a otras tareas con conjuntos pequeños de pacientes.
La rapamicina se aisló por primera vez de una bacteria hallada en el suelo de la isla de Pascua (Rapa Nui), de ahí su nombre. El fármaco inhibe la vía de señalización mTOR, que regula el crecimiento celular y el envejecimiento, y prolonga la vida de los ratones entre un 10 y un 15%.
La idea de predecir la reacción del organismo a un fármaco a partir de múltiples señales biológicas recuerda a la novela «Dune», de Frank Herbert, donde los médicos utilizan complejos sistemas de diagnóstico para evaluar el estado de una persona. Ahora bien, a diferencia de la ciencia ficción, aquí se habla de datos reales de sangre y cerebro.
No publicado en arXiv. Aquí están su página, el PDF y la formalización: puede comprobarlo usted mismo, no solo leer nuestro análisis.