Una de las grandes ambiciones de la ciencia médica es encontrar nuevas alternativas para diagnosticar tempranamente la enfermedad de Parkinson.
Recientemente, un grupo de investigadores de la Universidad de Nueva Gales del Sur (UNSW, por su sigla en inglés), en Australia, dio a conocer un modelo de machine learning que podría ayudar a identificar los primeros síntomas del padecimiento.
Así lo dio a conocer la institución educativa a través de un comunicado de prensa en el cual señalaron que, junto a investigadores de la Universidad de Boston, lograron desarrollar una herramienta que ayudaría a encontrar signos de párkinson varios años antes de que las personas padezcan los primeros síntomas.
La investigación fue publicada en la revista científica ACS Central Science. Allí, los científicos advirtieron que usaron redes neuronales con el fin de analizar biomarcadores en los fluidos corporales que tenían los individuos.
“Los investigadores de la Facultad de Química de la UNSW examinaron muestras de sangre extraídas de individuos sanos recogidas por la Investigación Prospectiva Europea Española sobre el Cáncer y la Nutrición (EPIC). Centrándose en 39 pacientes que desarrollaron Parkinson hasta 15 años después, el equipo ejecutó su programa de aprendizaje automático sobre conjuntos de datos que contenían información extensa sobre metabolitos, los compuestos químicos que el cuerpo crea al descomponer alimentos, medicamentos o sustancias químicas”, explicó la universidad en la investigación.
Tras comparar los resultados que obtuvieron con los de otros 39 individuos que no desarrollaron Parkinson, los investigadores encontraron que había “combinaciones únicas de metabolitos” que podían servir para prevenir o diagnosticar la enfermedad.
La herramienta de aprendizaje automático, explicó la universidad, se llama Crank-MS y ayuda a generar conocimiento a través del análisis de datos.
“El método más común para analizar datos de metabolómica es a través de enfoques estadísticos”, dijo la doctora Diana Zhang, una de las investigadoras.
“Entonces, para determinar qué metabolitos son más importantes para la enfermedad en comparación con los grupos de control, los investigadores generalmente observan las correlaciones que involucran moléculas específicas. Pero aquí tenemos en cuenta que los metabolitos pueden tener asociaciones con otros metabolitos, que es donde entra en juego el aprendizaje automático. Con cientos a miles de metabolitos, hemos utilizado el poder computacional para comprender lo que está sucediendo”, sostuvo Zhang.
Pero además de usar esas combinaciones de metabolitos en su análisis, los investigadores también utilizaron una lista de datos sin editar.
“Por lo general, los investigadores que utilizan el aprendizaje automático para examinar las correlaciones entre los metabolitos y la enfermedad primero reducen la cantidad de características químicas, antes de introducirlas en el algoritmo”, indicó Alexander Donald, profesor asociado e investigador.
“Pero aquí ingresamos toda la información en Crank-MS sin ninguna reducción de datos desde el principio. Y a partir de eso, podemos obtener la predicción del modelo e identificar qué metabolitos impulsan más la predicción, todo en un solo paso. Significa que si hay metabolitos que podrían haberse pasado por alto con los enfoques convencionales, ahora podemos recuperarlos”, añadió el científico.
Ahora bien, la UNSW recordó que en la actualidad la enfermedad de Parkinson solo puede ser diagnosticada una vez los pacientes están presentando algunos síntomas como el temblor involuntario de las manos.
Pero subrayó que no hay otras pruebas diagnósticas como exámenes de sangre o de otros fluidos que les permitan a los médicos constatar que una persona padece o va a padecer de este trastorno.
“Pero los síntomas atípicos, como el trastorno del sueño y la apatía, pueden presentarse en personas con Parkinson décadas antes de que aparezcan los síntomas motores. Crank-MS, por lo tanto, podría usarse ante el primer signo de estos síntomas atípicos para descartar o descartar el riesgo de desarrollar Parkinson en el futuro”, explicó la universidad en su comunicado.
No obstante, reconoció que estos resultados son preliminares y aún requieren de validación por medio de otras investigaciones. Eso sí, señaló que los resultados mostraron que su herramienta de análisis de datos fueron “prometedores” y mostraron una precisión cercana al 96 %.