Decir que el estado actual del arte en el diagnóstico y la terapéutica de la enfermedad de Parkinson es insuficiente para satisfacer las necesidades de los pacientes sería quedarse muy corto. Dado que esta enfermedad es el segundo trastorno neurológico más común y también la enfermedad neurológica de más rápido crecimiento en el mundo, es imperativo encontrar mejores opciones.
El diagnóstico de la afección se basa principalmente en la observación de síntomas motores como temblores, rigidez y lentitud. Sin embargo, estos síntomas suelen aparecer mucho después de la aparición inicial de la enfermedad, a veces incluso varios años después. Esto impide el tratamiento temprano de la enfermedad de Parkinson, lo que podría ayudar a mejorar los resultados futuros de los pacientes.
También se ha atribuido en parte a los diagnósticos deficientes la falta de progreso en el desarrollo de terapias (no se han producido avances importantes en este siglo). Sin un medio para diagnosticar con precisión y seguir el curso de la enfermedad, evaluar la eficacia de un nuevo tratamiento es un gran desafío. Quizás ahora estemos al borde de nuevas innovaciones en el tratamiento de la enfermedad de Parkinson como resultado de la trabajo publicado recientemente por un equipo dirigido por el laboratorio de Dina Katabi en el MIT. Han ideado una técnica para diagnosticar la enfermedad de Parkinson analizando los patrones de respiración nocturna con aprendizaje automático. Se ha observado que las anomalías respiratorias ocurren antes que los síntomas motores, lo que significa que confiar en esta fuente de datos podría permitir detectar la enfermedad en una etapa temprana.
Descripción general del método (📷: Y. Yang et al.)
También es importante controlar periódicamente cualquier cambio que pueda conducir a un diagnóstico positivo, lo que significa que el método de detección debe ser lo más sencillo y discreto posible. Parece que los investigadores han cumplido ese requisito al construir su dispositivo en una pequeña caja que se parece a un enrutador Wi-Fi. Esta caja emite señales de radio que se reflejan en los objetos de la habitación, incluida la persona bajo observación, antes de regresar al dispositivo. A partir de estas mediciones se pueden extraer patrones de respiración, que luego se introducen en una red neuronal para su clasificación. Tal como está diseñado, todo el sistema no tiene contacto y funciona de forma pasiva, lo que lo hace prácticamente transparente para el paciente.
Para probar la validez de su enfoque, los investigadores realizaron un estudio en el que participaron 7,687 personas, 757 de las cuales habían sido diagnosticadas previamente con la enfermedad de Parkinson. Se descubrió que el modelo detecta la condición con un área bajo la curva de 0.90 al analizar datos que se excluyeron del proceso de entrenamiento. También exploraron la capacidad del algoritmo para estimar la gravedad y la progresión de la enfermedad de acuerdo con la Escala Unificada de Calificación de la Enfermedad de Parkinson de la Sociedad de Trastornos del Movimiento y descubrieron que funciona con un alto grado de precisión.
Mientras que los biomarcadores tradicionales han fracasado en el esfuerzo por diagnosticar de manera concluyente la enfermedad de Parkinson, este biomarcador digital impulsado por aprendizaje automático se ha mostrado muy prometedor. Además de detectar la enfermedad, este dispositivo tiene el potencial de reducir el coste y la duración de los ensayos clínicos que evalúan nuevos tratamientos. Actualmente, los investigadores están evaluando si su método funciona bien para reconocer los distintos subtipos de la enfermedad de Parkinson que existen. También les gustaría realizar ensayos a mayor escala para que algún día pueda hacerse realidad su sueño de colocar una unidad en el hogar de cada paciente de Parkinson y de cada individuo de alto riesgo.
