Inteligencia artificial para detectar de forma temprana el deterioro cognitivo en la esclerosis múltiple
Un estudio combinó resonancia magnética de difusión y aprendizaje automático para mostrar que el estado de unas diminutas fibras cerebrales —las fibras en U— permite estimar el rendimiento de la memoria de trabajo en personas con esclerosis múltiple, abriendo la puerta a un biomarcador de imagen para el monitoreo precoz.
El deterioro cognitivo es una de las manifestaciones más tempranas —y a la vez más difíciles de detectar— de la esclerosis múltiple (EM). Con frecuencia es tan sutil que no se detecta en la evaluación clínica habitual, en parte porque el propio cerebro logra compensarlo durante un tiempo y porque la fatiga, común en la enfermedad, dificulta reconocerlo.
Una investigación desarrollada por un equipo multidisciplinario de iHEALTH, Pontificia Universidad Católica de Chile, Andrés Bello, UTEM y el Hospital Dr. Sotero del Río propone una vía para hacerlo visible antes de que aparezcan los síntomas evidentes.
El foco: las fibras que conectan lo cercano
Buena parte de la investigación en EM se ha concentrado en los grandes tractos de sustancia blanca que conectan regiones distantes del cerebro. Este trabajo se detiene, en cambio, en un territorio mucho menos explorado: las fibras en U o fibras de asociación de corto alcance, unas estructuras superficiales con forma de arco que enlazan circunvoluciones vecinas de la corteza.
Estas fibras son claves para la comunicación local del cerebro y están entre las últimas en mielinizarse, lo que las hace especialmente vulnerables a los procesos inflamatorios y neurodegenerativos de la EM. Su daño podría representar una etapa muy temprana de "desconexión" que precede a alteraciones más extensas y que los protocolos convencionales de resonancia no logran captar.
Por esto, el estudio de tipo prueba de concepto publicado en la revista Multiple Sclerosis and Related Disorders, analizó a 35 controles sanos y 58 pacientes con EM (con y sin deterioro cognitivo), emparejados por edad y nivel educativo. A partir de imágenes de resonancia por tensor de difusión, el equipo midió la anisotropía fraccional (AF) —un indicador de la integridad de la sustancia blanca— en 100 regiones ricas en fibras en U.
Para relacionar esas medidas con la función cognitiva, se utilizó el PASAT, una prueba validada que evalúa la memoria de trabajo y la velocidad de procesamiento de la información. Luego se entrenaron y compararon quince modelos de aprendizaje automático, evaluados con validación cruzada para asegurar resultados robustos.
El análisis identificó que las regiones temporales superior izquierda y parietal inferior derecha eran las más informativas, dos áreas que forman parte de las redes cerebrales de atención y memoria de trabajo. En términos simples: cuando estas fibras conservan su integridad, el rendimiento cognitivo tiende a ser mejor; cuando muestran signos de daño microestructural, el rendimiento estimado disminuye. Gracias a técnicas de inteligencia artificial explicable (SHAP), el equipo pudo mostrar que este patrón era consistente en todo el grupo, aportando transparencia a las decisiones del modelo.
El hallazgo respalda la idea de que el deterioro cognitivo en la EM no responde a una lesión única, sino a la degradación coordinada de múltiples redes cerebrales. Y, sobre todo, sugiere que las características de estas fibras superficiales podrían convertirse en un biomarcador de imagen no invasivo para detectar y monitorear el compromiso cognitivo en etapas tempranas, complementando las pruebas neuropsicológicas.
Al tratarse de un protocolo de resonancia que ya se adquiere de forma rutinaria en la atención clínica de pacientes con EM, el enfoque tiene un potencial traslacional concreto, especialmente pensando en una medicina más personalizada.
Los autores subrayan que se trata de un estudio transversal con una muestra acotada y de un solo centro, por lo que los resultados deben interpretarse como generadores de hipótesis. El paso siguiente será validarlos en estudios longitudinales y en cohortes independientes, con protocolos de mayor resolución, para confirmar si estos marcadores permiten identificar a las personas con mayor riesgo de deterioro cognitivo futuro.
Montalba C., Franco P., Caulier-Cisterna R., Cruz J.P., Cárcamo C., Andía M.E., Ciampi E. Microstructural changes in juxtacortical white matter regions and their relationship with PASAT score in multiple sclerosis: A proof of concept using machine learning. Multiple Sclerosis and Related Disorders, vol. 112 (2026), 107333.DOI: 10.1016/j.msard.2026.107333
