La integración mediante aprendizaje automático de biomarcadores sanguíneos seriados mejora la predicción del deterioro cognitivo en la enfermedad de Parkinson temprana

Por qué importa esta investigación

Muchos asocian la enfermedad de Parkinson con un trastorno del movimiento, pero los cambios en la memoria y el pensamiento están entre sus efectos más incapacitantes. Hasta cuatro de cada cinco personas con Parkinson desarrollan finalmente problemas cognitivos graves, que duplican los costes del sistema sanitario y suponen una gran carga para las familias. Sin embargo, los médicos aún tienen dificultades para identificar, desde etapas tempranas, quiénes están en mayor riesgo. Este estudio explora si pruebas sanguíneas simples y repetidas, combinadas con modelos informáticos modernos, pueden predecir mejor quién experimentará deterioro cognitivo en los primeros años tras el diagnóstico.

Seguimiento de pacientes a lo largo del tiempo

Los investigadores utilizaron la cohorte longitudinal Early Parkinson’s Disease Longitudinal Singapore (PALS), un grupo cuidadosamente seguido de 193 personas recientemente diagnosticadas de Parkinson. Los participantes tenían una edad media de alrededor de 64 años, con síntomas motores en su mayoría de leves a moderados al inicio. Fueron seguidos durante cinco años, con pruebas cognitivas anuales usando el Montreal Cognitive Assessment y muestras de sangre tomadas al inicio, en el año tres y en el año cinco. El deterioro cognitivo se definió como una caída sostenida en las puntuaciones de las pruebas a lo largo del tiempo, lo bastante grande como para tener impacto en la vida diaria pero todavía lo bastante temprana como para ofrecer una oportunidad de intervención.

Señales sanguíneas procedentes del cerebro

El equipo se centró en dos proteínas en sangre que reflejan daño cerebral: la cadena ligera de neurofilamento (NfL), un marcador de lesión de las fibras nerviosas, y la tau total (t-tau), vinculada a la degeneración de las neuronas y a menudo discutida en el contexto de la enfermedad de Alzheimer. En lugar de mirar una sola instantánea, resumieron las tres mediciones de cada persona usando descriptores simples: el valor más bajo, el más alto, la media y la variabilidad de los valores. También registraron otra información sanitaria como edad, nivel educativo, presión arterial, problemas de colesterol y las puntuaciones cognitivas basales. A lo largo de cinco años, casi una de cada cuatro personas mostró deterioro cognitivo, lo que permitió a los científicos comparar a quienes empeoraron con quienes se mantuvieron estables.

Enseñar a los ordenadores a detectar patrones

Para interpretar esta mezcla compleja de factores, los investigadores emplearon varios métodos de aprendizaje automático: algoritmos informáticos que aprenden patrones a partir de datos. Primero usaron tres técnicas diferentes para seleccionar las variables más informativas entre unas 30 candidatas. A través de los métodos, las mismas características emergieron repetidamente: los resúmenes dinámicos de t-tau y NfL, y la presión arterial diastólica (el “número inferior”) medida tanto en posición supina como de pie. A continuación entrenaron cinco tipos de modelos predictivos con combinaciones de estas características y probaron qué tan bien cada modelo podía separar a los pacientes que luego declinarían de los que no, usando el área bajo la curva ROC (AUC) como medida de precisión.

Mejores pronósticos a partir de biomarcadores cambiantes

El resultado central fue que los modelos que usaban medidas sanguíneas variables en el tiempo superaron claramente a los modelos basados solo en los datos basales. Cuando los algoritmos recibieron únicamente los valores clínicos y de laboratorio iniciales, el rendimiento fue modesto (mejor AUC de alrededor de 0,56, apenas superior al azar). Al añadirse resúmenes de cómo cambiaron t-tau y NfL en tres puntos temporales, la precisión aumentó sustancialmente, con valores de AUC entre aproximadamente 0,64 y 0,76 según el método. El modelo individual más eficaz, un enfoque llamado XGBoost usando apenas una docena de características seleccionadas cuidadosamente, alcanzó un AUC de 0,81. En este modelo, niveles elevados e inestables de t-tau y una presión arterial diastólica alta fueron signos de alarma especialmente fuertes, mientras que los cambios en NfL también contribuyeron pero con un peso algo menor. Los años de escolaridad mostraron un efecto protector, coherente con la idea de que una mayor “reserva cognitiva” puede proteger al cerebro frente al daño.

Implicaciones para la atención y los ensayos clínicos

Estos hallazgos apuntan a formas prácticas de transformar la atención del Parkinson de reactiva a preventiva. Dado que las pruebas sanguíneas para t-tau y NfL son mínimamente invasivas y cada vez más accesibles, las clínicas podrían, en principio, monitorizar los niveles de los pacientes cada pocos años y combinarlos con lecturas de presión arterial en una calculadora de riesgo informatizada. Las personas señaladas como de alto riesgo podrían recibir un seguimiento cognitivo más estrecho, control dirigido de la presión arterial y acceso anticipado a rehabilitación o a ensayos clínicos de fármacos modificadores de la enfermedad, especialmente aquellos dirigidos a la tau o a vías relacionadas. Los modelos también sugieren una forma de “enriquecer” los ensayos clínicos centrando los estudios en la cuarta parte de pacientes con mayor probabilidad de deterioro, lo que facilita detectar efectos del tratamiento con menos participantes.

Qué significa esto para los pacientes

Para las personas que viven con Parkinson y sus familias, el estudio ofrece un optimismo cauteloso. Aún no proporciona una prueba lista para la consulta clínica, y el trabajo necesita confirmación en grupos más grandes y diversos. Pero muestra que pruebas sanguíneas simples y repetidas—combinadas con la presión arterial y datos básicos de contexto—pueden ayudar a que los ordenadores pronostiquen de manera significativa quién sigue un camino de mayor riesgo de problemas cognitivos. En términos sencillos, observar cómo se comportan en el tiempo ciertas proteínas relacionadas con el cerebro y la presión arterial parece ser más esclarecedor que una única medida. Si se valida, tales herramientas podrían ayudar a los médicos a personalizar el seguimiento, centrarse en riesgos modificables como la presión arterial y planificar apoyos anticipados, con el objetivo de preservar el pensamiento y la independencia el mayor tiempo posible.

Cita: Mohammadi, R., Ng, S.Y.E., Tan, J.Y. et al. Machine learning integration of serial blood biomarkers enhances cognitive decline prediction in early Parkinson’s disease. npj Parkinsons Dis. 12, 87 (2026). https://doi.org/10.1038/s41531-026-01298-8

Palabras clave: Enfermedad de Parkinson, deterioro cognitivo, biomarcadores sanguíneos, aprendizaje automático, proteína tau