Ilustración Daniel "Pito" Campos
Cecilia Lopez Steinmetz, se recibió de licenciada en Psicología en la Universidad Nacional de Córdoba e hizo allí también sus investigaciones doctorales sobre “Coyunturas desencadenantes de urgencias suicidas”. En su formación, el desarrollo teórico se articulaba con extensas guardias en instituciones de salud para la atención clínica. Si bien un aspecto de sus estudios era psicoanalítico, otro aspecto era epidemiológico, por lo que comenzó a utilizar sus primeras herramientas informáticas para analizar y procesar una gran cantidad de datos sobre los pacientes.
Al poco tiempo, mientras realizaba sus investigaciones posdoctorales en el Instituto de Investigaciones Psicológicas de la UNC, estalló la pandemia, y al igual que muchos de los investigadores en el área de salud, Cecilia se abocó “sobre la marcha” (según sus palabras) a realizar investigaciones sobre la salud mental de la población durante el ASPO (Aislamiento Social Preventivo y Obligatorio). Y en esa tarea perfeccionó sus conocimientos y habilidades para el análisis de datos estadísticos.
En 2020 consiguió una beca posdoctoral para participar de una investigación que tiene por objeto encontrar métodos más efectivos y accesibles para el diagnóstico temprano de la EA (Enfermedad de Alzheimer). Es desarrollada por el BrainLat Institute de la Universidad Adolfo Ibáñez, de Chile, y dirigida por la doctora en Biomedicina Claudia Duran-Aniotz y el doctor Agustín Ibáñez, reconocido neurocientífico argentino que investiga las bases neurocognitivas de la demencia en Latinoamérica.
“A pesar de los esfuerzos, la Enfermedad de Alzheimer permanece sin ninguna prevención o tratamiento, y más importante aún, sin método diagnóstico temprano efectivo a la fecha”, destaca Cecilia. El equipo que integra procura dar una respuesta a eso, mediante Machine Learning.
Por un método alternativo
En la actualidad, para diagnosticar esta enfermedad se analizan biomarcadores (una sustancia o imagen del cuerpo que puede medirse en forma objetiva) a partir de dos técnicas : una punción lumbar (se inserta una aguja en la columna vertebral para obtener líquido cefalorraquídeo,LCR), o bien a través de imágenes cerebrales producidas por Resonancia magnética (MRI) o Tomografía por emisión de positrones (PET).
El primer procedimiento es muy invasivo e incómodo para el paciente, y los dos últimos requieren de una tecnología sanitaria muy cara y de última generación, lo que limita el acceso a grandes porciones de la población, sobre todo en países periféricos como los latinoamericanos. Por el momento, lamentablemente, estos métodos son los únicos que logran diferenciar con un 80% de eficacia los cambios cognitivos relacionados con el simple envejecimiento u otras enfermedades neurodegenerativas, de los que son producidos por la EA.
A sabiendas de esto, el equipo al que pertenece Cecilia está buscando un método alternativo, y apuestan a que la tecnología machine learning pueda ser la clave, no sólo para diagnosticar la enfermedad, sino también para predecir con un alto nivel de eficacia cuando un Deterioro Cognitivo Leve (DCL) puede derivar en EA.
“Como sabemos, la demencia de Alzheimer no posee una cura, pero la detección y diagnóstico tempranos ayudan a mejorar la calidad de vida en los años posteriores, y pueden retrasar el momento en el que llega el deterioro fuerte”, apunta Cecilia.
Entrenando la máquina
La investigadora cordobesa describe la tarea del equipo de la siguiente manera: “Lo que hacemos es enseñarle a la máquina un cierto pool de datos y señalarle: “Los que tienen esta característica son Alzheimer, los que tienen esta otra son Deterioro Cognitivo Leve, los que tienen estas otras son Quejas Subjetivas (percepciones de los pacientes), los que tienen estos datos son Controles Sanos, y así”.
“Yo entreno a la máquina para que, en base a lo que aprendió, pueda 'adivinar' qué tipo de caso es. En el caso de la EA, esa máquina estará lista cuando pueda hacerlo con un éxito igual o mayor al 80%. En eso estamos trabajando”, asevera.
La técnica que utilizan es la misma que el ingeniero en sistema Enzo Ferrante para asistir a los médicos en el diagnóstico de patologías cardíacas (aquí, la entrevista completa con Redacción Mayo). Sin embargo, en el caso de la investigación en la que participa Cecilia, aparece una motivación extra, ya que es posible entrenar a la máquina con biomarcadores como “proteínas, péptidos, ácidos nucleicos, microRNAs (miRNAs), lípidos y metabolitos, componentes celulares y exosomas”, todo detectable en una simple muestra de sangre.
Esto posee una enorme ventaja, pues la extracción de sangre es mínimamente invasiva y sin efectos secundarios, además de ser mucho más barata y de fácil acceso que las tomografías. También es una técnica que “está estandarizada en la atención primaria e inclusive se puede tomar a domicilio”, destaca Cecilia.
“Respecto al costo, una punción lumbar supone un valor monetario elevado en el sistema público, 12 a 15 veces mayor que el costo de una toma de muestra de sangre”, precisa.
Lo que viene
Pero para que el Machine Learning en que está trabajando el BrainLat Institute pueda diagnosticar con un 80% e eficacia un caso de EA a partir de una muestra de sangre, es necesario seguir entrenándola con miles y miles de datos de pacientes. No es fácil conseguir tantos datos, teniendo en cuenta que no es una enfermedad masiva, y que se trata generalmente de una parte de la población de una edad avanzada.
Es por eso que el equipo entrena a la máquina con los datos extraídos de una base de datos del proyecto GERO, un Programa del Fondo de Financiamiento de Centros de Investigación en Áreas Prioritarias, FONDAP, para el estudio del envejecimiento y su relación con patologías que afectan al cerebro.
De tener éxito, el proyecto en el que participa Cecilia, no solo permitiría en base a la tecnología de machine learning, diagnosticar más tempranamente la EA, sino, además, permitir que ese diagnóstico sea más accesible.
