COMUNICACIÓN ORAL | 24 noviembre 2020, martes | Hora: 15:00
AUTORES
Hernández Lorenzo, Laura 1; García Gutiérrez, Fernando 2; Bueso-Inchausti García, Pedro 2; Pytel , Vanesa 1; Delgado Álvarez, Alfonso 1; Delgado Alonso, Cristina 1; Moreno Ramos, Teresa 1; Cabrera Martín, Maria Nieves 3; Matías-Guiu Guía, Jorge 1; Ayala Rodrigo, Jose Luis 2; Matías-Guiu Antem, Jordi 1
CENTROS
1. Servicio de Neurología. Hospital Clínico San Carlos; 2. Departamento de Arquitectura de Computadores y Automática. Universidad Complutense de Madrid; 3. Servicio: Medicina Nuclear. Hospital Clínico San Carlos
OBJETIVOS
El diagnóstico de la enfermedad de Alzheimer (EA) y demencia frontotemporal (DFT) es difícil. El objetivo de este estudio fue desarrollar una herramienta informática para el diagnóstico automático de la demencia frontotemporal conductual (DFT) y enfermedad de Alzheimer (EA), basado en la evaluación neuropsicológica.
MATERIAL Y MÉTODOS
Se incluyeron 334 casos (72 DFT, 176 EA y 86 controles sanos). Los datos se organizaron en tres conjuntos: estudio cognitivo, PET con 18F-FDG, y ambos. Se utilizó el algoritmo genético multiobjetivo NSGA-II, que permitió maximizar el valor F1 (como medida de exactitud diagnóstica) y minimizar el número de características seleccionadas. Se plantearon diferentes problemas de clasificación: EA vs DFT; cada uno de estos diagnósticos frente al control; y ambos frente al control.
RESULTADOS
La F1 se situó en torno al 90% para los datos cognitivos en la mayoría de los problemas planteados. Los datos cognitivos mostraron una ligera mayor eficacia en la clasificación de ambas enfermedades frente a controles, y de EA frente a los controles. La utilización conjunta de los datos cognitivos y de PET-FDG mejoraron la eficiencia de clasificación obtenida únicamente con los datos cognitivos en DFT frente a los otros grupos.
CONCLUSIONES
La aplicación de técnicas de machine learning basadas en algoritmos genéticos permitió un diagnóstico adecuado en un elevado porcentaje de pacientes, con un rendimiento similar al obtenido mediante PET-FDG. Estos algoritmos permiten maximizar la capacidad diagnóstica, la selección de los test con mejor rendimiento y la automatización, lo que puede ser de gran interés en el diagnóstico neuropsicológico.
