Clasificación basada en EEG de la enfermedad de Alzheimer y la demencia frontotemporal mediante conectividad funcional

Por qué importan los patrones de las ondas cerebrales

La demencia afecta a millones de familias, pero incluso los médicos pueden tener dificultades para distinguir sus distintas formas. La enfermedad de Alzheimer y la demencia frontotemporal a menudo se presentan de forma similar en la clínica, aunque requieren planes de cuidado y ensayos de investigación distintos. Este estudio plantea una pregunta simple pero poderosa: ¿podemos usar una prueba cerebral rápida y no invasiva—la electroencefalografía, o EEG—para leer los patrones de comunicación del cerebro en reposo y ayudar a distinguir estas condiciones del envejecimiento sano, y entre sí?

Mirando las conversaciones cerebrales, no solo la actividad

El EEG suele medir la intensidad de las ondas cerebrales en diferentes bandas de frecuencia, como las lentas ondas delta o las más rápidas ondas alfa. Aquí, los investigadores fueron un paso más allá y examinaron cómo distintas partes del cerebro “hablan” entre sí. Utilizaron registros de 88 personas: 36 con enfermedad de Alzheimer, 23 con demencia frontotemporal y 29 adultos mayores sanos. Con 19 electrodos en el cuero cabelludo, registraron la actividad cerebral en reposo con los ojos cerrados y luego dividieron cada registro en muchos segmentos de tiempo cortos. Para cada segmento y para varias bandas de frecuencia, calcularon una serie de medidas de conectividad—descripciones matemáticas de cuán estrechamente se vinculan diferentes canales de EEG en tiempo, frecuencia y fase.

Entrenando algoritmos para identificar patrones de demencia

Para convertir estos mapas de conectividad en predicciones, el equipo entrenó un gran conjunto de modelos de aprendizaje automático básicos, cada uno centrado en una combinación de banda de frecuencia y medida de conectividad. Estos modelos base usaron herramientas matemáticas especializadas para comparar patrones de conectividad entre individuos. La salida de todos los modelos base se alimentó después a un modelo de nivel superior “apilado” que intentó aprender qué combinaciones de características eran más informativas. De forma crucial, los investigadores evaluaron el rendimiento al nivel que importa clínicamente: un único diagnóstico por persona. Usaron un esquema de prueba estricto que siempre mantenía los datos de una persona completamente separados de los datos de entrenamiento, reduciendo el riesgo de resultados demasiado optimistas por fugas sutiles de datos.

Lo que revelaron las ondas cerebrales — y lo que no

Los patrones de conectividad ayudaron a separar a las personas con demencia de los voluntarios sanos. Para Alzheimer frente a controles sanos, algunas características individuales de conectividad alcanzaron puntuaciones de área bajo la curva superiores al 85%, lo que significa que eran bastante buenas para clasificar quién tenía la enfermedad. Lo mismo ocurrió, aunque algo más débil, para la demencia frontotemporal frente al envejecimiento sano. Las señales más informativas en ambos casos procedieron de la banda alfa, un ritmo asociado con la vigilia relajada que a menudo se altera en la demencia. En contraste, diferenciar Alzheimer y demencia frontotemporal fue mucho más difícil. Las mejores medidas para esta tarea provinieron de la lenta banda delta y alcanzaron solo una precisión moderada, lo que sugiere que ambas enfermedades comparten muchas de las mismas alteraciones de la red a gran escala en estos registros de EEG.

Cuando más complejidad no equivale a mejores respuestas

Una esperanza de los métodos en conjunto es que combinar muchos predictores débiles pueda dar lugar a un modelo más fuerte y fiable. En este estudio, sin embargo, el ensamblaje apilado no superó a las mejores características de conectividad individuales. De hecho, los mejores modelos independientes a menudo fueron ligeramente mejores. Análisis adicionales mostraron que muchos modelos base cometían errores de tipo similar, por lo que el ensamblaje tenía poca información verdaderamente nueva que explotar. Los autores también probaron distintas formas de medir distancias entre matrices de conectividad, incluidas técnicas avanzadas de geometría “de variedades”, pero encontraron poca ventaja respecto a enfoques más simples para este problema diagnóstico entre personas.

Qué significa esto para pacientes y clínicos

Para las personas que afrontan cambios de memoria o de comportamiento, estos hallazgos ofrecen un optimismo prudente. El EEG en estado de reposo, una prueba rápida, económica y ampliamente disponible, sí captura firmas significativas de la demencia en cómo se conectan entre sí las regiones cerebrales. Al mismo tiempo, el trabajo subraya que las matemáticas ingeniosas por sí solas no pueden desenredar completamente enfermedades estrechamente relacionadas cuando los datos son limitados y los cambios cerebrales se solapan. Los autores sostienen que características de EEG cuidadosamente seleccionadas e interpretables, evaluadas con pruebas estrictas a nivel de sujeto, pueden ser más fiables que modelos muy complejos. El progreso futuro, sugieren, probablemente vendrá de combinar la conectividad de EEG con otros biomarcadores, como imágenes cerebrales, análisis de sangre y perfiles cognitivos, para construir herramientas más precisas y de confianza para diagnosticar las distintas formas de demencia.

Cita: Mlinarič, T., Van Den Kerchove, A., Barinaga, Z.I. et al. EEG-based classification of alzheimer’s disease and frontotemporal dementia using functional connectivity. Sci Rep 16, 4903 (2026). https://doi.org/10.1038/s41598-026-35316-9

Palabras clave: EEG, conectividad funcional, enfermedad de Alzheimer, demencia frontotemporal, aprendizaje automático