Una sonrisa ayudaría a detectar párkinson gracias a la inteligencia artificial

Las aplicaciones de la inteligencia artificial (IA) en el ámbito de la medicina se están multiplicando y constituyen una inestimable ayuda para los profesionales en este ámbito. Ahora, una innovadora herramienta basada en inteligencia artificial ha logrado detectar con gran precisión la enfermedad de Parkinson mediante el análisis de breves vídeos de personas sonriendo, según muestran los resultados publicados en la revista New England Journal of Medicine (NEJM)1.

Durante la investigación, liderada por Tariq Adnan, M.Sc. del Departamento de Ciencias de la Computación de la Universidad de Rochester, el modelo de IA fue entrenado con la mayor colección de vídeos de expresiones faciales que se ha utilizado hasta la fecha y que incluía un total de 1.452 participantes, de los cuales 391 tenían un diagnóstico confirmado de párkinson.

El sistema alcanzó una precisión global del 87,9 % al identificar la enfermedad únicamente a partir del análisis de sonrisas. Los investigadores comprobaron que la herramienta podía distinguir con exactitud entre personas con y sin párkinson, incluso en muestras muy diversas de población procedentes de América del Norte y Bangladesh.

Actualmente, uno de los principales retos es diagnosticar la enfermedad en sus fases iniciales, ya que muchos de los afectados no tienen acceso fácil a especialistas o a evaluaciones presenciales. En este contexto, las herramientas de cribado remoto basadas en inteligencia artificial constituyen una prometedora solución, ya que son escalables, más económicas y permiten llegar a regiones rurales o con escasos recursos médicos.

Vídeos de personas sonriendo para detectar el párkinson

Los participantes del estudio subieron vídeos en los que imitaban expresiones faciales simples, como sonreír, a través de una plataforma en línea. A partir de estos vídeos, los investigadores extrajeron datos sobre los movimientos faciales y evaluaron la hipomimia2, que consiste en una disminución en la expresividad facial que es característica del párkinson y otros trastornos neurológicos.

Posteriormente, emplearon estos datos para entrenar modelos de aprendizaje automático capaces de identificar patrones asociados a la enfermedad. Para ello, reclutaron voluntarios de Norteamérica a través de redes sociales, correos electrónicos y centros de bienestar, y también incluyeron un grupo de alto riesgo en Bangladesh.

Solo con vídeos de sonrisas, el modelo alcanzó un 87,9% de precisión en validaciones cruzadas, con una sensibilidad del 76,8% y una especificidad del 91,4%. Además, al probarlo con nuevos grupos de personas, obtuvo un 80,3% de precisión en una clínica de EE. UU. y un 85,3% en el grupo de Bangladesh.

“Los videos de personas sonriendo pueden diferenciar eficazmente los individuos con y sin párkinson, lo que ofrece una manera potencialmente fácil, accesible y rentable de detectar la enfermedad”

Aunque el valor predictivo negativo fue superior al 92% en todos los casos, el valor predictivo positivo fue más bajo en la muestra de Bangladesh (35,7%), algo que los autores atribuyen a diferencias en las características de la población. El rendimiento del modelo no varió significativamente entre sexos o etnias, aunque sí mostró una ligera mayor precisión entre mujeres en la cohorte de Bangladesh.

El código utilizado para procesar los vídeos y entrenar el modelo está disponible públicamente en GitHub3. No obstante, los vídeos originales no pueden compartirse por razones legales, ya que deben cumplir con la normativa estadounidense de privacidad sanitaria (HIPAA), por lo que solo están disponibles los datos derivados y anonimizados.

El siguiente paso será probar esta herramienta con más poblaciones reales y continuar perfeccionando el algoritmo para mejorar aún más la detección temprana del párkinson. “Los videos de personas sonriendo pueden diferenciar eficazmente los individuos con y sin párkinson, lo que ofrece una manera potencialmente fácil, accesible y rentable de detectar la enfermedad, especialmente cuando el acceso al diagnóstico clínico es limitado”, concluyen los investigadores en su artículo.