La actigrafía, el simple monitoreo de los ciclos de reposo-actividad mediante un dispositivo de muñeca, combinada con un modelo de transformador de IA especializado puede distinguir a pacientes con enfermedad de Parkinson de controles sanos con más del 93 % de precisión e identificar a aquellos con trastorno de conducta del sueño REM (TCSR) concurrente con más del 95 % de precisión, según un estudio publicado el 7 de julio en el Journal of Sleep Research.
Los hallazgos sugieren que el mismo enfoque no invasivo podría detectar cambios neurodegenerativos tempranos en personas con trastorno de conducta del sueño REM aislado (TCSRi), un precursor conocido de la enfermedad de Parkinson y sinucleinopatías relacionadas, años antes de que los síntomas motores se vuelvan clínicamente aparentes.
Lo que encontraron
Investigadores del Inselspital, Hospital Universitario de Berna en Suiza, entrenaron y compararon tres arquitecturas de IA sobre datos de actigrafía de pacientes con enfermedad de Parkinson (EP), EP con y sin TCSR, TCSR aislado y controles no neurodegenerativos.
El Pre-trained Actigraphy Transformer (PAT), un modelo de transformador ajustado en datos de series temporales de actigrafía, superó tanto a una red neuronal convolucional como a los enfoques tradicionales de aprendizaje automático:
| Tarea de clasificación | AUC | Sensibilidad | Especificidad |
|—|—|—|—|
| EP vs. controles | 0,937 | 80,5 % | 92,9 % |
| EP-TCSR vs. EP-sinTCSR | 0,956 | 84,4 % | 92,9 % |
La CNN alcanzó un AUC de 0,863 para EP versus controles, mientras que el aprendizaje automático convencional alcanzó 0,840.
De manera crítica, cuando el modelo PAT se probó en pacientes con TCSR aislado, individuos que tienen el trastorno del sueño pero ningún signo clínico de Parkinson, sus puntuaciones del modelo se situaron exactamente entre las del grupo control y el grupo EP. Este posicionamiento intermedio sugiere que la IA está capturando cambios neurodegenerativos sutiles que preceden al diagnóstico motor.
Los pacientes con EP-TCSR también mostraron características de actigrafía significativamente alteradas en comparación tanto con pacientes con EP sin TCSR como con controles, lo que indica que la fragmentación reposo-actividad porta una firma distintiva más allá de lo que detecta la evaluación clínica estándar.
Por qué es importante
El diagnóstico actual de la enfermedad de Parkinson se basa en síntomas motores clínicos, que aparecen solo después de que ya ha ocurrido una pérdida sustancial de neuronas dopaminérgicas. Los biomarcadores objetivos y escalables para la detección prodrómica se encuentran entre las prioridades más altas en la investigación de trastornos del movimiento.
La actigrafía ofrece una ventaja práctica: los dispositivos de muñeca ya se utilizan ampliamente en medicina del sueño y en wearables de consumo. Agregar una capa de análisis de IA podría extender la infraestructura existente hacia una herramienta de tamizaje para enfermedades neurodegenerativas, sin equipo especializado, sin trazadores radiactivos, sin visitas al hospital requeridas para el triaje inicial.
Para aproximadamente el 1 % de la población general mayor de 60 años con TCSRi, la gran mayoría de los cuales desarrollará una sinucleinopatía, un biomarcador digital de bajo costo podría ayudar a identificar quién está en riesgo inminente y estratificar candidatos para ensayos neuroprotectores.
Limitaciones
El estudio fue transversal. Los autores señalan explícitamente que la validación en cohortes longitudinales es necesaria antes de que el modelo pueda utilizarse para la predicción de riesgo individual. Se desconoce cómo se correlacionan las puntuaciones intermedias del modelo PAT en pacientes con TCSRi con el tiempo real de progresión hasta la fenoconversión. El estudio tampoco abordó posibles factores de confusión como los efectos de los medicamentos sobre los patrones de reposo-actividad o los trastornos del sueño comórbidos más allá del TCSR.
Conclusión
La actigrafía mejorada con IA alcanza un rendimiento diagnóstico comparable al de modalidades de biomarcadores más costosas e invasivas para la enfermedad de Parkinson y su etapa prodrómica. Si se valida prospectivamente, podría convertirse en la primera herramienta de tamizaje verdaderamente escalable y no invasiva para la evaluación del riesgo neurodegenerativo a nivel poblacional, partiendo de un dispositivo que muchas personas ya usan para dormir.
Fuente
Lopes L, Warncke JD, Filchenko I, Shi K, Bassetti CLA, Schäfer C. «Actigraphy meets AI: A digital biomarker for Parkinson’s disease and isolated REM sleep behaviour disorder.» Journal of Sleep Research. 2026 Jul 7:e70396. DOI: 10.1111/jsr.70396
Traducido por Alessandra