Un clasificador de aprendizaje automático en ensamblaje para el diagnóstico de la enfermedad de Parkinson mediante angiografía por tomografía de coherencia óptica

Por qué los ojos pueden revelar enfermedad cerebral oculta

La enfermedad de Parkinson suele diagnosticarse solo después de que aparecen temblores, rigidez o enlentecimiento del movimiento —signos de que el cerebro ya ha estado cambiando durante años. Este estudio explora un atajo inesperado: observar los diminutos vasos sanguíneos en la parte posterior del ojo con una exploración indolora y, a continuación, usar inteligencia artificial para señalar a las personas que podrían tener Parkinson de forma más temprana y objetiva de lo que permiten las revisiones actuales.

Mirando el cerebro a través del ojo

El tejido fotosensible en la parte posterior del ojo, la retina, es esencialmente una parte accesible del cerebro. Comparte nervios y vasos sanguíneos similares, pero puede examinarse de forma no invasiva en una consulta. Los investigadores utilizaron una tecnología llamada angiografía por tomografía de coherencia óptica, u OCTA, que produce mapas detallados de la circulación retiniana sin necesidad de colorantes. Dado que el Parkinson se ha vinculado a problemas en los pequeños vasos sanguíneos en otras partes del cuerpo, el equipo se preguntó si los cambios sutiles en estas redes retinianas podrían actuar como una “ventana” hacia la enfermedad temprana.

Convertir las exploraciones oculares en números

En un estudio retrospectivo, el equipo recopiló exploraciones OCTA de 53 personas con Parkinson y 39 voluntarios sanos emparejados por edad. Se centraron en dos capas de vasos retinianos: una capa superficial cerca de la superficie y una capa más profunda por debajo. De cada capa segmentaron automáticamente la zona avascular foveal central —la pequeña depresión sin vasos sanguíneos necesaria para la visión nítida— así como los capilares circundantes. Luego convirtieron cada imagen en 22 medidas numéricas. Algunas describían la forma de la zona foveal, como cuán redondeado, suave o irregular era su borde. Otras capturaban qué tan densa era la red vascular en general y en un anillo alrededor de la fóvea. En conjunto, estas medidas cuantificaron la salud microvascular con mucho más matiz del que podría juzgar el ojo humano.

Entrenar una IA para detectar patrones de Parkinson

Con estas medidas en mano, los investigadores construyeron modelos informáticos para distinguir exploraciones de Parkinson de las sanas. Debido a que su conjunto de datos era modesto, primero usaron técnicas de selección de características para reducir las 22 medidas al subconjunto más informativo, disminuyendo el ruido y el sobreajuste. Luego entrenaron varios algoritmos habituales de aprendizaje automático, incluidos métodos basados en árboles de decisión y un clasificador k-vecinos más cercanos. Finalmente, combinaron los tres mejores rendimientos —XGBoost, Random Forest y K-Nearest Neighbors— en un “ensamblaje” ponderado, de modo que el voto de cada modelo contara en proporción a su rendimiento habitual.

Lo que los modelos encontraron en la retina

En comparación con los voluntarios sanos, las personas con Parkinson mostraron signos claros de alteración de la microcirculación retiniana. Las medidas de densidad de vasos fueron más bajas y la zona foveal central tendía a ser menos regular en forma —menos redonda, menos suave y menos compacta— tanto en las capas vasculares superficiales como en las profundas. Al probarse con datos no vistos previamente, el modelo en ensamblaje clasificó correctamente alrededor de tres de cada cuatro ojos en general. Lo más notable fue que alcanzó una sensibilidad del 90 %: identificó correctamente nueve de cada diez casos de Parkinson. La especificidad fue más modesta, poco por encima de la mitad, lo que significa que algunos individuos sanos fueron señalados incorrectamente como enfermos. El área bajo la curva ROC, un resumen común del desempeño diagnóstico, fue de 0,75, indicando una discriminación útil pero no definitiva.

Del algoritmo a la consulta

Para ir más allá de la teoría, el equipo integró sus métodos en una herramienta de software prototipo llamada Parkinson’s Disease Artificial Intelligence (PDAI). A través de una interfaz gráfica sencilla, los clínicos pueden cargar exploraciones OCTA, revisar los vasos sanguíneos y la zona foveal central trazados automáticamente, ver las características numéricas clave y obtener una predicción instantánea de si una exploración se parece a las de pacientes con Parkinson. Dado que el sistema se basa en medidas diseñadas a mano y claramente definidas en lugar de una “caja negra” opaca, los factores que contribuyen a cada decisión son más fáciles de interpretar para los clínicos y potencialmente relacionables con la biología subyacente.

Qué significa esto para los pacientes

Este trabajo todavía no ofrece una prueba independiente para el Parkinson, pero muestra que una exploración ocular rápida y no invasiva, analizada con métodos de aprendizaje automático cuidadosamente diseñados, puede detectar cambios relacionados con la enfermedad con alta sensibilidad. En la práctica, tal herramienta podría usarse en el futuro como ayuda de cribado —ayudando a oftalmólogos y neurólogos a decidir quién debe monitorizarse más de cerca o remitirse para evaluación adicional mucho antes de que aparezcan síntomas incapacitantes. Aún se necesitan estudios más amplios y multicéntricos, pero el estudio sugiere que los ojos pueden, en efecto, proporcionar una señal de advertencia temprana práctica para la enfermedad de Parkinson.

Cita: Hasanshahi, M., Mehdizadeh, A., Mahmoudi, T. et al. An ensemble machine learning classifier for Parkinson’s disease diagnosis using optical coherence tomography angiography. Sci Rep 16, 7297 (2026). https://doi.org/10.1038/s41598-026-38407-9

Palabras clave: Enfermedad de Parkinson, imagen retinal, OCTA, aprendizaje automático, diagnóstico temprano