En un estudio reciente publicado en Nature Mental Health , un grupo de investigadores evaluó si un modelo neurobiológico de la conectividad efectiva de la red de modo predeterminado (DMN) puede predecir el diagnóstico futuro de demencia a nivel individual.
Existe un interés significativo en reducir la creciente carga de la demencia, siendo la enfermedad de Alzheimer (EA) la principal causa.
La detección temprana de cambios neuronales podría permitir estrategias de prevención personalizadas.
La resonancia magnética funcional en estado de reposo (rs-fMRI) mapea la conectividad cerebral y muestra patrones alterados en la EA, pero los métodos tradicionales carecen de precisión para la predicción del riesgo individual.
El análisis de conectividad eficaz, que modela las interacciones cerebrales causales, ofrece una mejor detección.
Los patrones tempranos de desconexión de la DMN están relacionados con factores de riesgo genéticos para la EA y el aislamiento social, lo que sugiere su potencial como biomarcadores preclínicos.
Se necesitan más investigaciones para validar un análisis de conectividad eficaz para el diagnóstico temprano de la demencia y perfeccionar las estrategias de prevención.
Al controlar factores de confusión como edad, sexo, origen étnico y movimiento de la cabeza, el presente estudio utilizó datos del Biobanco del Reino Unido (UKB). Se identificó una muestra inicial de 148 casos de demencia, con diez controles emparejados para cada caso.
Después del preprocesamiento, la muestra final incluyó 103 casos y 1030 controles, con 81 casos sin diagnosticar en el momento de la adquisición de datos de resonancia magnética.
Los datos de resonancia magnética se adquirieron utilizando escáneres Siemens Skyra 3 T, centrándose en datos ponderados en T1 y rs-fMRI. El preprocesamiento implicó segmentar y normalizar imágenes y estimar el movimiento de la cabeza.
La conectividad efectiva se estimó utilizando modelos causales dinámicos espectrales (DCM), ajustando un modelo completamente conectado para cada participante y utilizando modelos Bayes empíricos paramétricos para diferencias a nivel de grupo.
Se utilizó un modelo de regresión logística regularizado de red elástica, con validación cruzada de k veces, para clasificar los casos de demencia según características de conectividad efectiva.
Los modelos de pronóstico predijeron el tiempo hasta el diagnóstico. El estudio también comparó el poder predictivo de la conectividad efectiva con las características estructurales de la resonancia magnética y evaluó la conectividad funcional y los datos cognitivos.
Un análisis adicional examinó la asociación entre la conectividad efectiva de DMN y los factores de riesgo modificables como la hipertensión, la diabetes y el aislamiento social, así como las puntuaciones de riesgo poligénico de la EA. Se obtuvo la aprobación ética y el consentimiento informado para el estudio.
