Cuantificación precisa de la heterogeneidad y la progresión de la enfermedad en MSA y enfermedad de Parkinson mediante aprendizaje automático

Por qué esto importa para las personas con trastornos del movimiento

Las personas que viven con la enfermedad de Parkinson o la atrofia multisistémica (MSA) a menudo enfrentan años de incertidumbre, porque ambas condiciones pueden parecer muy similares en la consulta clínica mientras siguen trayectorias muy diferentes. Este estudio explora cómo métodos informáticos avanzados aplicados a exploraciones cerebrales podrían ayudar a los médicos a distinguir estas enfermedades antes, entender cómo varían de una persona a otra y monitorizar cómo cambian con el tiempo.

Mirar dentro del cerebro en busca de pistas más claras

La enfermedad de Parkinson y la MSA implican ambas la acumulación anómala de una proteína llamada alfa‑sinucleína, pero dañan diferentes partes del cerebro. La enfermedad de Parkinson afecta principalmente a una región profunda que produce dopamina, mientras que la MSA ataca redes más amplias, incluido el cerebelo, el tronco encefálico y los circuitos del movimiento. En las resonancias magnéticas habituales estas diferencias pueden ser sutiles, especialmente en fases tempranas, y muchas personas con MSA son inicialmente diagnosticadas erróneamente con Parkinson. Los investigadores emplearon dos tipos de RM: exploraciones estructurales que muestran la forma y el tamaño del cerebro, y exploraciones de difusión que revelan la integridad del cableado de la materia blanca, para buscar patrones más precisos y específicos por paciente.

Enseñar a los ordenadores a detectar patrones ocultos

El equipo estudió a 17 voluntarios sanos, 27 personas con MSA (divididas en subtipos cerebeloso y parkinsoniano) y 15 con Parkinson, cada uno seguido hasta en cuatro visitas anuales. Dividieron el cerebro en docenas de regiones y midieron el volumen local y dos propiedades de difusión que reflejan cómo se mueve el agua a lo largo de las fibras nerviosas. Estas mediciones se introdujeron en varios modelos de aprendizaje automático, que se entrenaron para realizar una tarea simple: decidir si una exploración procedía de una persona con MSA o con Parkinson. Para evitar sobreajustar a una enfermedad tan rara, los autores usaron una validación cruzada cuidadosa, repitieron el entrenamiento muchas veces y compararon cinco familias de algoritmos antes de elegir a los mejores intérpretes.

De exploraciones complejas a una única puntuación personal

En lugar de detenerse en un diagnóstico informático de sí/no, los autores quisieron obtener un número que capturara cuánto mostraba el cerebro de una persona la firma de MSA frente a Parkinson. Utilizaron un método de IA explicable llamado SHAP, que descompone cada decisión del modelo en contribuciones de cada región cerebral. Estas contribuciones sirvieron como pesos, destacando qué áreas resultaron más informativas para el modelo. Al combinar los pesos con las mediciones reales de RM en todas las regiones, crearon tres puntuaciones de “heterogeneidad” (HET): una para el volumen cerebral y una para cada una de las dos medidas de difusión. Cada puntuación HET reduce un patrón complejo de cambios en el cerebro a un único valor resumen para cada persona y visita.

Ver el tipo de enfermedad y su cambio a lo largo del tiempo

Las nuevas puntuaciones HET hicieron más que imitar marcadores de RM existentes. Clasificaron MSA frente a Parkinson al menos tan bien como, y a menudo mejor que, un índice de atrofia ampliamente utilizado que se centra en unas pocas regiones clave. De forma importante, HET funcionó especialmente bien para separar la forma parkinsoniana de la MSA del Parkinson, una distinción que resulta notoriamente difícil en exploraciones estándar. Cuando los investigadores observaron los cambios a lo largo del tiempo, las variaciones en las puntuaciones HET a un año siguieron el empeoramiento clínico medido por una escala estándar de puntuación de la MSA mejor que medidas simples de la reducción del cerebelo. Los mapas región por región de HET también reprodujeron patrones conocidos de daño en la MSA, como la degeneración de los circuitos cerebelosos y del tronco encefálico, y además revelaron una afectación más amplia de las vías de la materia blanca frontales y límbicas y de las conexiones entre los dos hemisferios cerebrales.

Qué puede significar esto para los pacientes y la atención

Para un no especialista, el mensaje clave es que un análisis más inteligente de los datos rutinarios de RM puede convertir señales dispersas de daño por todo el cerebro en una única puntuación comprensible que refleja cuán “similar a la MSA” es el patrón de una persona y con qué rapidez está cambiando. Este enfoque no cura la enfermedad y aún debe confirmarse en grupos más grandes, pero ofrece una herramienta prometedora para un diagnóstico más precoz y preciso, un mejor seguimiento de la progresión y pruebas más sensibles de nuevos tratamientos en ensayos clínicos. Al reconocer que no hay dos cerebros de pacientes que cambien exactamente igual, el marco HET acerca al campo un paso más hacia una atención verdaderamente personalizada en los trastornos del movimiento.

Cita: Gebre, R.K., Raghavan, S., De Tora, M.E.J. et al. Precise disease heterogeneity and progression quantification in MSA and Parkinson’s disease using machine learning. Sci Rep 16, 10579 (2026). https://doi.org/10.1038/s41598-026-45949-5

Palabras clave: atrofia multisistémica, enfermedad de Parkinson, resonancia magnética cerebral, aprendizaje automático, biomarcadores