IA identifica riesgo oculto de accidente cerebrovascular mediante patrones de comportamiento en el hogar

Los cambios sutiles, previos a los síntomas, en la vida diaria suelen pasar desapercibidos en las evaluaciones clínicas. Una identificación más temprana podría impulsar una evaluación médica oportuna y su prevención.

Para ayudar a abordar este desafío, los investigadores han desarrollado un enfoque de inteligencia artificial (IA) que analiza la actividad diaria real y los datos ambientales de personas mayores para detectar marcadores conductuales digitales del riesgo de enfermedad cerebrovascular.

El Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST; Daejeon, Corea del Sur) lideró el desarrollo de un sistema de inteligencia artificial diseñado para identificar la fase prodrómica de la enfermedad cerebrovascular y evaluar el riesgo de un diagnóstico inminente. El trabajo se realizó en colaboración con la Facultad de Ingeniería Electrónica y Eléctrica de la Universidad Sungkyunkwan y el Departamento de Neurología del Hospital Anam de la Universidad de Corea. El sistema se centra en detectar trayectorias de riesgo en el hogar, donde los cambios aparecen gradualmente y pueden preceder a la búsqueda de atención motivada por los síntomas.

El estudio utilizó datos de seguimiento de la vida cotidiana recopilados por LivOn Care Co., Ltd. en entornos residenciales reales de 1.224 adultos mayores. Los investigadores analizaron 13.362 registros correspondientes a períodos de dos semanas para determinar si pequeñas variaciones diarias podían revelar señales de alerta temprana. El análisis demostró la viabilidad de detectar el riesgo antes de la aparición de síntomas a partir de patrones habituales de la vida diaria, en lugar de depender de la atención motivada por episodios clínicos.

La IA evalúa la actividad diaria, el sueño, el ritmo circadiano y la información del entorno interior, junto con la edad y los datos sobre enfermedades crónicas. Utiliza métodos de IA explicable para identificar qué factores relacionados con el comportamiento y el entorno sustentan sus evaluaciones. Mediante el seguimiento longitudinal de los patrones de vida, el sistema determina las distintas etapas de riesgo y señala cuándo podría estar próximo un episodio que requiera evaluación diagnóstica.

Emergieron firmas conductuales distintas. Las personas mayores en la fase prodrómica tendían a mostrar actividad continua frecuente entre las 10 p.m. y las 2 a.m., lo que indicaba ritmos irregulares con inicio tardío del sueño y una distinción atenuada entre la actividad diurna y nocturna. A medida que se acercaba el diagnóstico, la actividad continua vespertina (6 p.m. a 10 p.m.) disminuía mientras aumentaba el tiempo inactivo, y la baja humedad interior también señalaba un riesgo diagnóstico inminente.

Cuando los datos de seguimiento de la vida cotidiana correspondientes a las cuatro semanas previas al diagnóstico se clasificaron como un «período de riesgo diagnóstico inminente» y los datos de 12 semanas antes como un «período no inminente», la IA distinguió entre ambos intervalos con una precisión del 96,53 %.

Los investigadores subrayaron que la tecnología no predice el momento exacto de aparición de la enfermedad ni sustituye el diagnóstico clínico. Señalaron que su objetivo es apoyar la prevención y favorecer una consulta temprana, y que será necesaria una validación prospectiva en grupos más amplios de pacientes antes de su uso clínico.

Los hallazgos se publicaron el 2 de junio en npj Digital Medicine.

“El punto clave de este estudio no es que la IA deba reemplazar un diagnóstico hospitalario, sino que primero puede detectar señales de riesgo en pequeños cambios del estilo de vida en el hogar y ayudar a conectar a los pacientes con la atención médica en el momento adecuado. Esperamos que esta tecnología contribuya a un cambio de un sistema de atención sanitaria que trata la enfermedad después de que ocurre a uno que apoya la prevención y la intervención temprana”, dijo Lisa Lim, profesora del Departamento de Ingeniería Civil y Ambiental de KAIST.

Enlaces relacionados: 
KAIST