Los datos epidemiológicos, tanto los actuales como futuros, establecen un progresivo incremento en el porcentaje de población mayor de 65 años. Además, la esperanza de vida se extiende a cifras desconocidas en la historia de la humanidad. Tanto con el incremento de esperanza de vida como con el de población mayor de 65 años, produce un incremento en tanto en la prevalencia como incidencia en las patologías asociadas al proceso de envejecimiento, entre otras, los trastornos neurocognitivos.
En la última década, se han producido unos importantes cambios en relación con el diagnóstico de la DTA. Antes del año 2007: Criterios NINCDS-ADRDA el diagnóstico se basaba en criterios clínicos apoyados en pruebas complementarias; en el año 2014 tanto la IWG-2 como la NIA-AA especifican en el criterio diagnóstico la presencia de un fenotipo clínico apropiado (típico o atípico) y un biomarcador; en el año 2018, los criterios NIA define DTA de manera estrictamente biológica mediante el perfil de biomarcadores, sin tener en cuenta el fenotipo ni el estadio clínico. A pesar de los avances, en la actualidad se dispone de escasas herramientas adecuadas tanto en el diagnóstico etiológico como biomarcadores patognomónicos de cada una de las entidades que forman los trastornos neurocognitivos.
Este proyecto tiene un doble objetivo, por un lado, el de identificar los factores de riesgo más relevantes para el diagnóstico de Trastorno Neurocognitivo Mayor (TNCM) mediante técnicas de machine learning y algoritmos de optimización y por otro verificar la existencia de diferencias en los factores de riesgo, usando imagen hiperespectral del suero sanguíneo y analítica entre sujetos con/sin diagnóstico de Trastorno neurocognitivo mayor.
La muestra del estudio está formada por 84 sujetos (46 pertenecen al grupo experimental y 38 al grupo control). El trabajo se divide en dos partes: análisis de los factores de riesgo (divididos en sociodemográficos, clínicos y analíticos) mediante machine learning y la detección de TNCM de biomarcadores en plasma sanguíneo mediante imagen hiperespectral (macroscópica y microscópica).
Las técnicas de machine learning han demostrado ser una herramienta adecuada para el estudio de factores de riesgo en el TNCM, siendo una potencial herramienta de cribado. La división por bloques (sociodemográficos, clínicos y analíticos) muestra, con el ajuste de las técnicas de machine learning, un importante aumento en la especificidad y sensibilidad en las diferencias entre los grupos control y TNCM. Además, este estudio ha revelado la importancia de la inclusión de datos analíticos como factores de riesgo para el desarrollo de TNCM.
Con respecto al análisis hiperespectral del plasma sanguíneo, los resultados muestran varios endmembers relevantes que podrían emplearse potencialmente para discriminar entre sujetos con y sin TNCM. Se deben realizar más experimentos analizando toda la superficie de la muestra para estimar mejor la abundancia de cada endmember. El presente estudio demuestra el potencial de la tecnología hiperespectral para ayudar en el diagnóstico de TNCM como alternativa a otros métodos invasivos.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados