Kranion.

2023;18:52-6

Kranion

Inteligencia artificial en deterioro

cognitivo y demencias
Artificial intelligence in cognitive
impairment and dementias
Jordi A. Matías-Guiu
Servicio de Neurología, Instituto de Investigación Sanitaria San Carlos (IdISSC),
Hospital Clínico San Carlos, Universidad Complutense de Madrid, Madrid, España

Resumen
La inteligencia artificial incluye una serie de técnicas de aplicación e interés creciente en medicina. El campo de la neurología
cognitiva y las demencias se enfrenta a múltiples retos, incluyendo la necesidad de realizar un diagnóstico más precoz y certero,
y de encontrar tratamientos eficaces. Se revisan las principales aplicaciones de la inteligencia artificial en el campo de las demen-
cias y el deterioro cognitivo, especialmente en la optimización y la automatización de la evaluación cognitiva y de las pruebas de
neuroimagen. Se destacan algunas aplicaciones y beneficios para mantener la funcionalidad de los pacientes mediante dispositi-
vos IoT (Internet of Things), así como la implementación de la inteligencia artificial en la generación de nuevos tratamientos y su
validación mediante simulaciones, análisis in silico y cerebros virtuales. Las técnicas de inteligencia artificial representan una
metodología relevante con múltiples aplicaciones en el campo de la neurología cognitiva. Su implementación probablemente con-
tribuirá de forma decisiva en la mejora diagnóstica, la búsqueda de tratamientos y el avance hacia una medicina de precisión.
Palabras clave: Inteligencia artificial. Alzheimer. Demencia frontotemporal. Deterioro cognitivo. Machine learning.

Abstract
Artificial intelligence comprises several techniques with a growing interest in medicine. There are several challenges in cognitive
neurology and dementia, including the need for more accurate and early diagnoses and the search for effective treatments. We review
the main applications of artificial intelligence in the field of dementia and cognitive impairment, especially regarding the optimization
and automation of cognitive assessments and neuroimaging techniques. Furthermore, we emphasize some applications and benefits
of IoT (Internet of Things) devices to maintain the daily-living activities of patients and the implementation of artificial intelligence in
generating and validating novel therapies using simulations, in silico analysis, and virtual brains. Artificial intelligence techniques
represent a relevant methodology with many possibilities in the dementia field. It will contribute decisively to improving diagnosis,
searching for new therapies, and advancing to a precision-based medicine approach.
Keywords: Artificial intelligence. Alzheimer. Frontotemporal dementia. Cognitive impairment. Machine learning.

Autor de correspondencia:
Jordi A. Matías-Guiu Fecha de recepción: 04-04-2023 Disponible en internet: 13-06-2023
E-mail: jordimatiasguiu@hotmail.com, Fecha de aceptación: 11-04-2023 Kranion. 2023;18:52-6
jordi.matias-guiu@salud.madrid.org DOI: 10.24875/KRANION.M23000054 www.kranion.es

1577-8843 / © 2023 Kranion. Publicado por Permanyer. Este es un artículo open access bajo la licencia CC BY-NC-ND
(http://creativecommons.org/licenses/by-nc-nd/4.0/).
INTRODUCCIÓN incluye un conjunto de algoritmos basados en redes neu-
ronales artificiales con múltiples capas de procesamiento
Las alteraciones cognitivas son frecuentes en nume-
rosas enfermedades neurológicas y también en enferme-
de los datos.
En este artículo se revisan algunas de las aportacio-
53
dades psiquiátricas y sistémicas1. En algunas enfermeda-
nes más interesantes en el campo de la neurología cog-
des, dichas alteraciones cognitivas constituyen el síntoma
nitiva y las demencias basadas en la aplicación de la IA.
principal de inicio. Entre estas destaca la enfermedad de El objetivo es mostrar las capacidades de este tipo de
Alzheimer, que es la principal causa de demencia. Sin técnicas en dicho campo, en el cual, debido a las dificul-
embargo, también son frecuentes otras enfermedades tades diagnósticas y terapéuticas actuales, la IA puede
neurodegenerativas, como la degeneración frontotemporal tener un papel relevante.
y la demencia con cuerpos de Lewy. Aunque estas enfer-
medades tienen bases anatomopatológicas y fisiopatoló-
gicas diferentes, el diagnóstico diferencial desde el punto INTELIGENCIA ARTIFICIAL
de vista clínico con frecuencia es difícil, especialmente en Y EVALUACIÓN COGNITIVA
sus estadios precoces. Asimismo, en cada una de estas La evaluación cognitiva es una herramienta impres-
enfermedades los cuadros clínicos y el pronóstico son cindible en el diagnóstico de las enfermedades que cur-
heterogéneos, y las pruebas diagnósticas disponibles (clí- san con deterioro cognitivo, y son uno de los primeros
nicas, analíticas, de neuroimagen, etc.) no son totalmen- pasos en la valoración de los pacientes. Los test cogniti-
te sensibles y específicas. Y, además, en fases precoces, vos breves sirven con frecuencia de cribado en las con-
la distinción entre síntomas cognitivos debidos a una en- sultas de atención primaria y de neurología general, y
fermedad neurodegenerativa incipiente y síntomas cogni- tienen unos valores adecuados de sensibilidad y especi-
tivos asociados al envejecimiento normal o a causas no ficidad. Asimismo, las evaluaciones neuropsicológicas
neurodegenerativas también puede resultar difícil. Todas pormenorizadas permiten detectar alteraciones cognitivas
estas dificultades diagnósticas se suman a la falta de incipientes, determinar el estadio clínico y establecer el
tratamientos eficaces que modifiquen el curso de estas diagnóstico diferencial entre enfermedades neurodegene-
enfermedades, las cuales suponen una elevada discapa- rativas. Sin embargo, existen algunas dificultades en la
cidad y un gran impacto en la calidad de vida de los práctica clínica. Por un lado, el diagnóstico en estadios
pacientes y de sus familiares2,3. incipientes de las enfermedades neurodegenerativas es
El uso de la inteligencia artificial (IA) puede suponer cada vez más relevante, lo que implica la necesidad de
avances relevantes en el campo de la biomedicina4. Me- definir puntos de corte para considerar un rendimiento
diante el uso de técnicas de machine learning y deep cognitivo alterado. Por otro, la necesidad de un diagnós-
learning pueden desarrollarse algoritmos para obtener tico más precoz implica que las alteraciones cognitivas
unas adecuadas clasificación y categorización de los pa- son más sutiles y, por ello, son necesarias exploraciones
cientes a partir de la integración de datos complejos o de más exhaustivas que consumen más tiempo del clínico.
múltiples orígenes. Potencialmente, este abordaje puede Además, la interpretación de la evaluación cognitiva es
emplearse con el fin de establecer un diagnóstico apoya- con frecuencia compleja, dado que se basa en la admi-
do por ordenador (computer-aided diagnosis) con el que nistración de múltiples test que no son específicos de una
automatizar o acelerar procesos de análisis y poder ex- función cognitiva. Esto implica interpretar cuáles son las
traer mayor información. Una de las ventajas del machine bases neurales y los mecanismos cognitivos asociados a
learning es la posibilidad de generar modelos predictivos cada test, y determinar en cada paciente qué procesos
que permiten hacer generalizaciones a partir de los datos neuropsicológicos están fallando, como apoyo para el
disponibles y el aprendizaje que sobre estos datos se diagnóstico de una enfermedad u otra. La existencia de
genera. Estos modelos pueden clasificarse en supervisa- numerosos test cognitivos, de por sí una ventaja al brindar
dos y no supervisados. En el primer caso, se persigue la posibilidad de obtener mayor información, puede supo-
lograr una clasificación correcta (modelos de clasifica- ner también una dificultad en cuanto a cuál escoger o a
ción; por ejemplo, diagnóstico de enfermedad de Alzhei- qué test dar más importancia en una evaluación para
mer respecto a otros diagnósticos) o estimar el valor de definir un diagnóstico o, incluso, para acortar la explora-
una variable (modelos de regresión; por ejemplo, predecir ción en caso necesario. Al mismo tiempo, si bien existen
la edad de presentación de una enfermedad neurodege- datos de normalidad que permiten diagnósticos transver-
nerativa) a partir de una fuente de datos (por ejemplo, sales, existe menos información acerca del comporta-
Kranion

variables clínicas, cognitivas, de neuroimagen, etc.). En miento longitudinal de la función cognitiva y el diagnósti-
los modelos no supervisados no existe un conocimiento co neuropsicológico en estos casos5.
previo y se pretende descubrir patrones a partir de los En este sentido, las técnicas de IA pueden tener un
datos; buen ejemplo de ello son las técnicas de clustering, papel relevante6. Por ejemplo, se han generado aplicacio-
que buscan identificar subgrupos a partir de los datos de nes basadas en redes convolucionales para segmentación
los individuos y la similitud de las variables (por ejemplo, de imágenes con el objetivo de puntuar y evaluar la copia
subtipos de una enfermedad). Respecto al deep learning, de los pentágonos entrelazados de la prueba Mini-Mental

J.A. Matías-Guiu. Inteligencia artificial en deterioro cognitivo y demencias

 State Examination o el test del reloj, con valores elevados cortical, para lo que suele ser necesario el empleo de
de sensibilidad y especificidad7-9. Igualmente, la utiliza- adquisiciones 3D y con resoluciones isotrópicas de 1 mm.
54 ción de algoritmos de machine learning puede ser útil en
la discriminación entre pacientes con enfermedad de Al-
En este sentido, los trabajos basados en técnicas de deep
learning han generado herramientas que permitirían
zheimer y con demencia frontotemporal con precisiones transformar secuencias de resonancia magnética clínicas
elevadas, lo que podría ser un apoyo para la interpreta- en secuencias 3D-T1 de 1 mm susceptibles de análisis
ción de la evaluación cognitiva y la selección del test10,11. morfométricos23. Al igual que se ha comentado para la
Por otro lado, el uso creciente de evaluaciones cogni- evaluación cognitiva, las técnicas de IA permiten extraer
tivas computarizadas mediante test de cribado adaptados más información que la obtenida habitualmente y optimi-
para autoadministración, baterías cognitivas (como por zar su análisis, lo que puede incrementar las posibilidades
ejemplo CANTAB [Cambridge Neuropsychological Test. Au- diagnósticas.
tomated Battery] o Vienna Test System) o técnicas de rea- Un buen ejemplo de la posibilidad de obtener más
lidad virtual genera una cantidad ingente de datos cuyo rendimiento en pruebas diagnósticas del que se logra
análisis con técnicas de machine learning puede aumentar mediante una lectura convencional son los estudios de
la capacidad diagnóstica de dichas pruebas12-14. De forma electroencefalografía. Si bien el electroencefalograma es
similar, estas técnicas también pueden permitir un análisis una prueba que no suele considerarse útil en el diagnós-
automatizado de la voz, el lenguaje y el habla, lo que tiene tico de las demencias, el uso de técnicas de análisis con
un gran interés desde el punto de vista diagnóstico15. aplicación de machine learning ha hecho replantearse el
uso de esta técnica, mostrando alteraciones incluso des-
de estadios precoces y con diferencias entre las distintas
INTELIGENCIA ARTIFICIAL
enfermedades neurodegenerativas24-26.
Y NEUROIMAGEN
La neuroimagen ha sido uno de los campos en los
INTEGRACIÓN DE DATOS
que más se han aplicado las técnicas de IA. Tanto la
MULTIDIMENSIONALES
resonancia magnética como la tomografía por emisión de
positrones, con sus diferentes secuencias y trazadores, Aunque gran parte de los estudios sobre técnicas de
son una aproximación in vivo a las alteraciones presentes machine learning se han realizado con datos procedentes
en el cerebro de los pacientes. Una de las áreas más de una o dos técnicas, este tipo de metodología tiene
activas es la aplicación de deep learning y machine lear- especial aplicación en el análisis de datos multidimensio-
ning con el fin de poder generar software de detección nales procedentes de múltiples fuentes. La integración de
automática de patrones o que ayuden en la interpretación datos clínicos, cognitivos, de neuroimagen, biomarcado-
radiológica de las imágenes16,17. La automatización del res de fluidos, genéticos, de ciencias «ómicas», etc.,
cálculo de volúmenes cerebrales o del metabolismo cere- constituye sin duda uno de los horizontes más promete-
bral ha mostrado resultados favorables al mejorar el diag- dores para extraer conocimiento nuevo, generar modelos
nóstico en el campo de las demencias respecto al análisis más predictivos y comprender la interrelación de las dife-
visual convencional18,19. rentes variables. Los estudios de cohortes de biomarca-
Asimismo, las técnicas de análisis no supervisado dores, como la Alzheimer’s Disease Neuroimaging Initia-
aplicadas a las pruebas de neuroimagen, junto con los tive (ADNI)27, han supuesto una fuente de datos
datos clínicos, han permitido detectar subtipos de enfer- importante para este tipo de estudios28. Además, median-
medades de acuerdo con el patrón topográfico de la te métodos de feature selection (selección de caracterís-
neurodegeneración. Todo ello contribuye a una mejor es- ticas) es posible distinguir cuáles son las variables más
tratificación de los pacientes y un mejor conocimiento de importantes o discriminativas en los modelos entrenados,
las enfermedades, los cuadros clínicos y sus heterogenei- lo que tiene gran importancia desde el punto de vista
dades. De igual forma, puede mejorar el diagnóstico y la clínico, donde habitualmente la disponibilidad de informa-
predicción del pronóstico, y representa una oportunidad ción es más limitada. Este abordaje es en especial inte-
para terapias personalizadas bajo el enfoque de la medi- resante en el ámbito de la genómica y de otras «ómicas»
cina de precisión20-22. (proteómica, transcriptómica, lipidómica, etc.)29.
Una de las limitaciones más importantes de la neu-
roimagen en la práctica clínica es la realización de proto-
INTELIGENCIA ARTIFICIAL
colos de neuroimagen con menores tiempos de adquisi-
Kranion

Y TERAPÉUTICA
ción y en general con menor resolución y en dos
dimensiones. Este tipo de protocolos, habitualmente rea- El desarrollo de fármacos y de intervenciones tera-
lizados para un análisis visual que descarte causas se- péuticas generalmente es un proceso difícil que requiere
cundarias de demencia, evita la posibilidad de llevar a grandes inversiones económicas y mucho tiempo desde
cabo análisis más avanzados como los que se utilizan en que se desarrollan hasta que se realizan los diferentes
estudios de investigación. Por ejemplo, no es posible estudios, tanto preclínicos como clínicos, para demostrar
realizar el cálculo de volúmenes cerebrales o del grosor su seguridad y beneficio. En este sentido, las técnicas de

Artículos de revisión
 55
Información clínica Herramientas
de diagnóstico precoz
Test Cognitivos
Estratificación y subtipaje
Neuroimagen
Automatización
Genómica del diagnóstico

Biomarcadores Predicción de la evolución y

de fluidos la respuesta a intervenciones
Selección de características
Entrenamiento
Otras fuentes Validación cruzada Otras utilidades
Evaluación de los modelos

Figura 1. Representación esquemática del papel de la inteligencia artificial en las demencias.

IA permiten el desarrollo de tecnologías con análisis rea- DISCUSIÓN

lizados por computadoras (in silico) que modelizan y si-
Las técnicas de IA son una metodología relevante
mulan cohortes virtuales con las que evaluar la seguridad
con interés y aplicaciones crecientes en el campo de la
y la eficacia de fármacos o de dispositivos30,31. Asimismo,
neurología cognitiva, dado que pretenden dar soluciones
es posible aplicar simulaciones de cerebros virtuales de
a las principales dificultades clínicas actuales. En este
forma individualizada a cada sujeto con el fin de anticipar
sentido, los estudios realizados sugieren que estas técni-
el efecto de terapias como la neuroestimulación, la neu- cas pueden tener notables aplicaciones con las que me-
rorrehabilitación o las neuroquirúrgicas32. jorar las capacidades diagnósticas y pronósticas actuales
mediante la extracción y el análisis de información proce-
INTERNET DE LAS COSAS Y DEMENCIA dente de pruebas de neuroimagen, cognitivas, biomarca-
dores en sangre, etc., por separado y mediante la inte-
La denominación «Internet de las cosas» (IoT, Inter- gración de múltiples datos. Si bien la neuroimagen,
net of Things) suele emplearse para referirse a una serie debido a su mayor volumen de datos, ha sido uno de los
de dispositivos que pueden manejarse de forma remota ámbitos en que más se han aplicado estas técnicas en
vía internet y que pueden destinarse a facilitar las activi- los últimos años, existen estudios que apoyan su potencial
dades cotidianas. En el campo de las demencias, este aplicación en el resto de las pruebas diagnósticas. La IA,
tipo de dispositivos pueden emplearse para detectar ries- debidamente aplicada, puede servir para extraer y proce-
gos o monitorizar a pacientes, pero también para ayudar sar más información que la habitualmente obtenida en la
a implementar terapias. Si bien el hecho de que los pa- práctica clínica habitual mediante análisis convencionales,
cientes muestren déficits cognitivos, con frecuencia gra- así como generar herramientas que sirvan de apoyo o
ves, es un desafío importante para la implementación y automatización al diagnóstico. La obtención de datos,
el uso de las nuevas tecnologías, las marcadas dificulta- sobre todo fruto de la combinación de múltiples fuentes
des cotidianas que sufren los pacientes con demencia y de información, puede lograr la generación de conoci-
sus cuidadores están estimulando la innovación y el de- miento nuevo, dado que estas técnicas permiten encon-
sarrollo en este campo. Uno de los objetivos principales trar relaciones lineales y no lineales e identificar subgru-
es intentar mantener la autonomía y la vida en el domici- pos de pacientes mediante análisis no supervisados. La
lio el mayor tiempo posible. En este sentido, se han de- posibilidad de identificar subgrupos, realizar predicciones
sarrollado dispositivos que recuerdan el horario de las y seleccionar las variables más relevantes de acuerdo con
medicaciones y monitorizan las comidas y las bebidas la pregunta clínica formulada permitirá, asimismo, una
Kranion

(horario, cantidad, cantidad, etc.)33, localizadores median- optimización, y por lo tanto un uso más eficiente, de los
te GPS para evitar la desorientación, gafas que ayudan recursos (Fig. 1).
en la identificación de personas o en la localización de Estas técnicas también pueden aplicarse al desarro-
objetos perdidos, etc.34. Sin embargo, son necesarios llo de tratamientos o dispositivos de apoyo para las acti-
estudios de validación, ya que la mayoría de los trabajos vidades de la vida diaria. Respecto a su utilidad terapéu-
publicados han sido principalmente descriptivos y explo- tica, la posibilidad de realizar modelizaciones virtuales
ratorios35. abre una nueva época y una ventana de oportunidad en

J.A. Matías-Guiu. Inteligencia artificial en deterioro cognitivo y demencias

 el desarrollo de tratamientos experimentales con los que 8. Park I, Kim YK, Kim YJ, Lee U. Automatic, qualitative scoring of the interlocking
pentagon drawing test (PDT) based on U-Net and Mobile Sensor Data. Sensors
mejorar el pronóstico de las enfermedades neurodegene-
56
(Basel). 2020;20:1283.
rativas. 9. Li Y, Guo J, Yang P. Developing an image-based deep learning framework for auto-
matic scoring of the pentagon drawing test. J Alzh Dis. 2022;85:129-39.
Finalmente, la implementación de la IA en el campo 10. García-Gutiérrez F, Delgado-Álvarez A, Delgado-Alonso C, Díaz-Álvarez J, Pytel V,
Valles-Salgado M, et al. Diagnosis of Alzheimer’s disease and behavioural variant
de la neurología cognitiva y las demencias debería apro- frontotemporal dementia using machine learning-aided neuropsychological as-
ximarnos a contemplar el diagnóstico y el tratamiento de sessment using feature engineering and genetic algorithms. Int J Geriatr Psychiatry
2021 Dec 11;37(2). doi: 10.1002/gps.5667. Online ahead of print.
estas enfermedades desde los nuevos paradigmas de la 11. Maito MA, Santamaría-García H, Moguilner S, Possin KL, Godoy ME, Ávila-Funes JA,
medicina personalizada y la medicina de precisión. Ade- et al. Classification of Alzheimer’s disease and frontotemporal dementia using rou-
tine clinical and cognitive measures across multicentric underrepresented samples:
más, es probable que, debido a la complejidad y la hete- a cross sectional observational study. Lancet Regional Health America. 2023;
rogeneidad de este grupo de enfermedades, este enfoque 17:100387.
12. Wu MJ, Passos IC, Bauer IE, Lavagnino L, Cao B, Zunta-Soares GB, et al. Individua-
no solo sea «beneficioso», sino una «necesidad» si se lized identification of euthymic bipolar disorder using the Cambridge Neuropsycho-
pretende cambiar su curso natural. logical Test Automated Battery (CANTAB) and machine learning. J Affect Disord.
2016;192:219-25.
13. Levy B, Hess C, Hogan J, Hogan M, Ellison JM, Greenspan S, et al. Machine learning
enhances the efficiency of cognitive screenings for primary care. J Geriatr Psychiat
FINANCIACIÓN Neurol. 2019;32:137-44.
14. Porffy LA, Mehta MA, Patchitt J, Boussebaa C, Brett J, D’Oliveira T, et al. A novel
virtual reality assessment of functional cognition: validation study. J Med Internet
El presente trabajo no ha recibido ninguna subven- Res. 2022;24:e27641.
ción oficial, beca o apoyo de un programa de investiga- 15. Matias-Guiu JA. Biomarcadores digitales de voz en enfermedades neurológicas y
psiquiátricas. Kranion. 2020;4:141-7.
ción destinados a la redacción de su contenido. 16. Liu X, Faes L, Kale AU, Wagner SK, Fu DJ, Brynseels A, et al. A comparison of deep
learning performance against health-care professionals in detecting disease from
medical imaging: a systematic review and meta-analysis. Lancet Digital Health.
CONFLICTO DE INTERESES 2019;1:e271-97.
17. Frizzell TO, Glashutter M, Liu CC, Zeng A, Pan D, Hajra SG, et al. Artificial intelligen-
ce in brain MRI analysis of Alzheimer’s disease over the past 12 years: a systematic
El autor no comunica conflicto de intereses en rela- review. Ageing Res Rev. 2022;77:101614.
ción con el contenido del trabajo. 18. Perani D, Della Rosa PA, Cerami C, Gallivanone F, Fallanca F, Vanoli EG, et al.; EADC-
PET consortium. Validation of an optimized SPM procedure for FDG-PET in dementia
diagnosis in a clinical setting. Neuroimage Clin. 2014;6:445-54.
19. Matías-Guiu JA, Cabrera-Martín MN, Pérez-Castejón MJ, Moreno-Ramos T, Rodrí-
RESPONSABILIDADES ÉTICAS guez-Rey C, García-Ramos R, et al. Visual and statistical analysis of 18F-FDG PET
in primary progressive aphasia. Eur J Nucl Med Mol Imaging. 2015;42:916-27.
20. Habes M, Grothe MJ, Tunc B, McMillan C, Wolk DA, Davatzikos C. Disentangling
Protección de personas y animales heterogeneity in Alzheimer’s disease and related dementias using data-driven
methods. Biol Psychiatry. 2020;88:70-82.
21. Levin F, Ferreira D, Lange C, Westman E, Buchert R, Teipel SJ, et al.; Alzheimer’s
El autor declara que para este trabajo no se han Disease Neuroimaging Initiative. Data-driven FDG-PET subtypes of Alzheimer’s di-
realizado experimentos en seres humanos ni en animales. sease-related neurodegeneration. Alzh Res Ther. 2021;13:49.
22. Matías-Guiu JA, Díaz-Álvarez J, Ayala JL, Risco-Martín JL, Moreno-Ramos T, Pytel V,
et al. Clustering analysis of FDG-PET imaging in primary progressive aphasia. Front
Aging Neurosci. 2018;10:230.
Confidencialidad de los datos 23. Iglesias JE, Billot B, Balbastre Y, Magdamo C, Arnold SE, Das S, et al. SynthSR: a
public AI tool to turn heterogeneous clinical brain scans into high-resolution T1-
El autor declara que en este trabajo no aparecen weighted images for 3D morphometry. Sci Adv. 2023;9:eadd3607.
24. Wang C, Xu T, Yu W, Li T, Han H, Zhang M, et al. Early diagnosis of Alzheimer’s di-
datos de pacientes. sease and mild cognitive impairment based on electroencephalography: from the
perspective of event related potentials to deep learning. Int J Psychophysiol.
2022;181:182-9.
25. Moral-Rubio C, Balugo P, Fraile-Pereda A, Pytel V, Fernández-Romero L, Delgado-
Derecho a la privacidad y consentimiento Alonso C, et al. Application of machine learning to electroencephalography for the
informado diagnosis of primary progressive aphasia: a pilot study. Brain Sci. 2021;11:1262.
26. Pérez-Valero E, López-Gordo MA, Morillas C, Pelayo F, Vaquero-Blasco MA. A review
of automated techniques for assisting the early detection of Alzheimer’s disease with
El autor declara que en este trabajo no aparecen a focus on EEG. J Alzh Dis. 2021;80:1363-76.
datos de pacientes. 27. Jack CR, Jr, Bernstein MA, Fox NC, Thompson P, Alexander G, Harvey D, et al. The
Alzheimer’s disease neuroimaging initiative (ADNI): MRI methods. J Magn Reson
Imaging. 2008;27:685-91.
28. Qiu S, Miller MI, Joshi PS, Lee JC, Xue C, Ni Y, et al. Multimodal deep learning for
Alzheimer’s disease dementia assessment. Nat Commun. 2022;13:3404.
BIBLIOGRAFÍA 29. Iturria-Medina Y, Adewale Q, Khan AF, Ducharme S, Rosa-Neto P, O’Donnell K, et al.
Unified epigenomic, transcriptomic, proteomic, and metabolomic taxonomy of
1. Larner AJ. Neuropsychological neurology. The neurocognitive impairments of neuro- Alzheimer’s disease progression and heterogeneity. Sci Adv. 2022;8:eabo6764.
logical disorders. Cambridge: Cambridge University Press; 2013. 30. Pappalardo F, Russo G, Thinanu FM, Viceconti M. In silico clinical trials: concepts
2. Vogel JW, Hansson O. Subtypes of Alzheimer’s disease: questions, controversy, and and early adoptions. Brief Bioinform. 2019;20:1699-708.
meaning. Trends Neurosci. 2022;45:342-5. 31. Rodríguez S, Hug C, Todorov P, Moret N, Boswell SA, Evans K, et al. Machine learning
3. Tartaglia MC, Mackenzie IRA. Recent advances in frontotemporal dementia. Can J identifies candidates for drug repurposing in Alzheimer’s disease. Nat Commun.
Neurol Sci. 2022 May 30;1-10. doi: 10.1017/cjn.2022.69. Online ahead of print. 2021;12:1033.
Kranion

4. Goecks J, Jalili V, Heiser LM, Gray JW. How machine learning will transform biome- 32. D’Angelo E, Jirsa V. The quest for multiscale brain modeling. Trend Neurosci.
dicine. Cell. 2020;181:92-101. 2022;45:777-90.
5. Sánchez-Benavides G, Peña-Casanova J, Casals-Coll M, Gramunt N, Manero RM, 33. Munteanu D, Bejan C, Munteanu N, Zamfir C, Vasic M, Petrea SM, et al. Deep lear-
Puig-Pijoan A, et al.; NEURONORMA Study Team. One-year reference norms of cog- ning-based system for assisting people with Alzheimer’s disease. Electronics.
nitive change in Spanish old adults: data from the NEURONORMA sample. Arch Clin 2022;11:3229.
Neuropsychol. 2016;31:378-88. 34. Salehi W, Gupta G, Bhatia S, Koundal D, Mashat A, Belay A. IoT-based wearable
6. Battista P, Salvatore C, Berlingeri M, Cesara A, Castiglioni I. Artificial intelligence devices for patients suffering from Alzheimer disease. Contrast Media Mol Imaging
and neuropsychological measures: the case of Alzheimer’s disease. Neurosci Biobe- 2022;2022:3224939.
hav Rev. 2020;114:211-28. 35. Xie B, Tao C, Li J, Hilsabeck RC, Aguirre A. Artificial intelligence for caregivers of
7. Park I, Lee U. Automatic, qualitative scoring of the clock drawing test (CDT) based persons with Alzheimer’s disease and related dementias: systematic literature re-
on U-Net, CNN and mobile sensor data. Sensors (Basel). 2021;21:5239. view. JMIR Med Inform. 2020;8:e18189.

Artículos de revisión