COMUNICACIÓN POSTER
AUTORES
García Condado, Jorge 1; Cortes Diaz, Jesus M 2
CENTROS
1. Grupo de Neuroimagen Computacional. IIS Biocruces-Bizkaia; 2. Grupo Neuroimagen Computacional. Hospital Universitario de Cruces
OBJETIVOS
Los modelos de edad cerebral o BrainAge basados ??en datos de neuroimagen tienen poder de clasificación diagnóstica pero tienen problemas de replicabilidad debido a la variabilidad del sitio y del paciente. Los modelos BrainAge entrenados con variables neuropsicológicas podrían ayudar a distinguir el deterioro cognitivo leve estable (DCLe) del deterioro cognitivo leve progresivo (DCLp) a la enfermedad de Alzheimer (EA).
MATERIAL Y MÉTODOS
Para este estudio se usaron datos de la base de datos ADNI. Se entrenó un modelo BrainAge usando un regressor lineal en controles sanos utilizando variables neuropsicológicas y variables de neuroimagen por separado. Luego se aplico este modelo en DCLe y DCLp y se utilizó el delta del BrainAge, la edad predicha menos la edad cronológica, para distinguir entre DCLe y DCLp.
RESULTADOS
El AUC con validación cruzada de la curva ROC para DCLe frente a DCLp fue de 0,91 para variables neuropsicológicas en contraste a 0,68 para variables de neuroimagen. El delta de BrainAge se correlacionó con el tiempo de conversión, el tiempo que tarda un sujeto con DCLp en convertirse a EA. A mayor delta menor tiempo de conversion del sujeto.
CONCLUSIONES
El delta del BrainAge de pruebas neuropsicológicas es un buen biomarcador para distinguir entre DCLe y DCLp. Además, esta variable también es predicadora del tiempo de conversión. Esta estrategia no es especifica para la EA, así que podría utilizarse para estudiar otros trastornos neurológicos y psiquiátricos adaptando las variable neuropsicologías utilizadas.
