Predicción mediante aprendizaje automático y estratificación de riesgo de deterioro cognitivo a 12 meses en la enfermedad de Alzheimer usando datos clínicos rutinarios y resonancia magnética

Por qué importa predecir la pérdida de memoria

La enfermedad de Alzheimer va robando poco a poco la memoria y el pensamiento, pero no todas las personas empeoran al mismo ritmo. Algunos pacientes pierden varios puntos en pruebas mentales sencillas en el transcurso de un año, mientras que otros se mantienen relativamente estables. Poder predecir, en el momento del diagnóstico, quién tiene más probabilidad de empeorar rápidamente podría ayudar a los médicos a planificar visitas, apoyar a las familias y seleccionar pacientes para ensayos clínicos de nuevos tratamientos. Este estudio plantea si la información que muchos centros de memoria ya recogen —pruebas breves cognitivas y exploraciones cerebrales de rutina— puede combinarse con métodos informáticos modernos para pronosticar quién empeorará durante los próximos 12 meses.

Quiénes se estudiaron y qué se midió

Los investigadores usaron datos de la Alzheimer’s Disease Neuroimaging Initiative, un proyecto de larga duración que sigue a personas con problemas de memoria mediante pruebas estandarizadas e imágenes cerebrales. Se centraron en 306 participantes que ya tenían diagnóstico de enfermedad de Alzheimer y que completaron una prueba de memoria llamada Mini-Mental State Examination, o MMSE, al inicio del estudio y de nuevo un año después. Se consideró un descenso de tres o más puntos en el MMSE durante 12 meses como un deterioro significativo. Al principio, cada persona facilitó información básica como edad, sexo y años de educación, completó varios cuestionarios detallados sobre funciones cognitivas y actividades diarias, y se sometió a una resonancia magnética cerebral que midió el tamaño de regiones cerebrales clave implicadas en la memoria.

Cómo se construyeron los modelos informáticos

Para evaluar si era posible predecir el deterioro a corto plazo, el equipo construyó y comparó dos tipos de herramientas predictivas. La primera fue una fórmula estadística sencilla que usaba solo unas pocas medidas accesibles en la consulta: edad, sexo y puntuaciones en dos pruebas cognitivas estándar. La segunda fue un modelo más flexible de aprendizaje automático conocido como random forest, que podía considerar el conjunto completo de puntuaciones clínicas junto con medidas de la RM, como el volumen del hipocampo y el tamaño de los espacios llenos de líquido del cerebro. Los datos se dividieron repetidamente en subconjuntos de entrenamiento y de prueba de modo que el desenlace de cada persona fuera predicho por un modelo que aún no había “visto” a esa persona, imitando cómo se comportaría la herramienta con pacientes nuevos.

Qué tan bien predijeron los modelos el deterioro

Alrededor del 43% de los participantes experimentaron una caída significativa en el MMSE durante 12 meses. Ambos enfoques funcionaron mejor que el azar para identificar a estas personas. El modelo clínico simple alcanzó un nivel de rendimiento habitualmente considerado “moderado” para herramientas predictivas médicas. El modelo random forest rindió algo mejor en conjunto y, de manera importante, mostró un mayor “beneficio neto” a lo largo de un amplio rango de umbrales de riesgo prácticos. El beneficio neto es una forma de ponderar predicciones correctas e incorrectas frente a las consecuencias de actuar sobre ellas —por ejemplo, decidir qué pacientes deben ser monitorizados más de cerca o considerados para cuidados más intensivos. Aunque el modelo más complejo no fue perfecto y mostró algunos signos de sobreajuste, proporcionó de forma sostenida una guía más útil que estrategias que asumieran que todos empeorarían o que nadie lo haría.

Convertir las puntuaciones en riesgo bajo, medio y alto

Para facilitar el uso clínico de los resultados, los investigadores tradujeron la salida del modelo en tres bandas de riesgo sencillas. Las personas cuya probabilidad predicha de deterioro era inferior a una cuarta parte formaron el grupo de bajo riesgo; solo alrededor de una de cada ocho de ellas empeoró realmente, y sus puntuaciones medias en las pruebas casi no cambiaron tras un año. Los del tramo intermedio tuvieron aproximadamente una probabilidad de uno entre tres de empeorar y, de media, perdieron alrededor de uno y medio puntos en el MMSE. El grupo de alto riesgo, con probabilidades predichas superiores a la mitad, presentó deterioro en aproximadamente dos de cada tres pacientes y una pérdida media de más de cuatro puntos en el MMSE. Este patrón escalonado y claro sugiere que las probabilidades del modelo pueden transformarse en categorías prácticas que orienten la frecuencia de las visitas y qué pacientes podrían priorizarse para ensayos o pruebas adicionales.

Qué implica esto para pacientes y clínicas

El estudio muestra que combinando pruebas de memoria de rutina con resonancias magnéticas estándar, y analizándolas con métodos informáticos modernos, es posible estimar con precisión moderada el riesgo de un paciente con Alzheimer de experimentar un deterioro notable durante el año siguiente. Si bien la herramienta aún necesita ser verificada y ajustada en diferentes hospitales y en poblaciones más diversas antes de incorporarse a la práctica clínica cotidiana, apunta hacia un futuro en el que los programas de seguimiento y la inclusión en ensayos se adapten a la trayectoria probable de cada persona, en lugar de tratar a todos los pacientes como si su enfermedad avanzara al mismo ritmo.

Cita: Geng, Y., Zhang, H. Machine-learning prediction and risk stratification of 12-month cognitive decline in Alzheimer’s disease using routine clinical and MRI data. Sci Rep 16, 12227 (2026). https://doi.org/10.1038/s41598-026-43321-1

Palabras clave: Enfermedad de Alzheimer, deterioro cognitivo, aprendizaje automático, resonancia magnética cerebral, estratificación de riesgo