Identificación de diferentes tipos de demencia mediante el uso de modelos de progresión de enfermedad y marcadores de patología amiloide, tau y neurodegeneración

Resumen

Contexto: La enfermedad de Alzheimer (Alzehimer’s Disease, AD) es una enfermedad neurodegenerativa. El diagnóstico temprano es clave a la hora de mantener la calidad de vida de quienes la padecen. Debido a esto, es necesario
estudiar el avance de la enfermedad en su fase prodrómica, así como el impacto de otras copatologías en el avance de la enfermedad.
Objetivos: Identificar grupos diferentes de demencia mediante modelos de progresión de enfermedad (Disease Progression Models, DPM) y perfiles AT(N) de los pacientes. Valorar la ideoneidad de Leaspy para construir modelos que
permitan evaluar si hay diferencias entre los grupos.
Métodos: Para el estudio se cuentan con 551 sMCI (MCI estable), 425 pMCI (MCI progresivo) y pacientes con 358 demencia. Todos ellos obtenidos de la base de datos de ADNI. Se realizará un estudio transversal en la primera visita y un estudio longitudinal mediante modelos DPM. Se evaluará la capacidad de leaspy de modelar la enfermedad, su robustez, su capacidad de definir la progresión de los marcadores y su capacidad de elaborar predicciones sobre el
futuro del paciente.
Resultados: En el estudio transversal se observa patología amiloide (A+) presente en el 89,3% de los pacientes de demencia. Además, entre el 2,8% y el 7,9% de los pacientes totales pertenecen al perfil A-T+. El mejor modelo elaborado
por leaspy que combina MMSE y CDRSB, tiene una tasa de detección de pMCI del 78,04 %. El modelo demuestra una buena robustez. Define correctamente las trayectorias de los marcadores, y sus cortes con el inicio de la
enfermedad. En sus predicciones, puede detectar entre un 30% y y un 60% de las conversiones. Al predecir la fecha exacta de la predicción tiende a fallar (correlación < 0, 5).
Conclusión: Existe un grupo reducido de pacientes con demencia que pueden no padecer AD. Leaspy demuestra ser similar a otras herramientas similares
como RPDPM, ofreciendo resultados ligeramente mejores en la detección de la demencia, pero peores en la de los pMCI y estimación del tiempo de conversión en la predicción. Además, el mejor modelo elaborado en leaspy requiere de
menos marcadores, facilitando su implementación en ámbitos clínicos y demuestra una mayor robustez. Se demuestra también que se puede elaborar una historia natural de los pacientes mediante el uso de Leaspy. Leaspy se podría utilizar para estudiar si hay diferencias entre los grupos identificados previamente.