Escrito por Adolfo M. García, Camila Sanz, Facundo Carrillo y Enzo Tagliazucchi
Investigadores argentinos y chilenos desarrollan nuevo abordaje para identificar marcadores semánticos de la enfermedad
Si los ojos son las ventanas del alma, acaso las palabras sean las ventanas de la mente. Podemos deducir fácilmente el estado de ánimo de una persona a partir de los adjetivos que utiliza, su edad a partir de su sintaxis, su nivel de educación a partir de su vocabulario… Sin embargo, no resulta nada fácil detectar pistas lingüísticas sobre sus posibles alteraciones cerebrales.
¿Cómo saber, mediante el lenguaje espontáneo, si dicha persona tiene la enfermedad de Alzheimer (EA)? Ciertos indicios pueden resultar evidentes para profesionales altamente capacitados, pero estos individuos conforman un grupo minúsculo si se los compara la población de personas con EA, que actualmente supera los 43 millones y continúa aumentando. Dicha situación es, cuanto menos, desafortunada, pues, a diferencia de otros enfoques, las evaluaciones lingüísticas representan un método asequible y no invasivo para contribuir al diagnóstico clínico.
“¿Qué tal si pudiéramos desarrollar herramientas para detectar tales pistas de forma objetiva y automática?”, se pregunta Adolfo García, Director del Centro de Neurociencias Cognitivas de la Universidad de San Andrés, Investigador del CONICET, Senior Atlantic Fellow del Global Brain Health Institute (Universidad de California, San Francisco) e Investigador del PIIECC en la Facultad de Humanidades la Universidad de Santiago de Chile.
Ese es el desafío que enfrentaron García y su equipo en un artículo publicado en Alzheimer’s & Dementia: Diagnosis, Assessment & Disease Monitoring, una revista de la Alzheimer’s Association (10.1002/dad2.12276). Los investigadores conformaron un grupo de 21 personas con EA así como dos grupos control, compuestos por 16 individuos sanos y 18 pacientes con enfermedad de Parkinson (EP). Todos los participantes eran hispanohablantes, procedentes de Chile, y habían sido diagnosticados por equipos profesionales multidisciplinarios. Mediante una batería original, se los grabó mientras realizaban tareas verbales cotidianas, tales como describir su rutina, relatar un recuerdo agradable, describir un dibujo y relatar un video.
El discurso de los participantes se transcribió de forma automática y se utilizaron herramientas digitales para estudiar aspectos que típicamente se ven comprometidos en la EA. Primero, los investigadores se concentraron en la granularidad semántica, es decir, el nivel de especificidad de los conceptos verbales. “Por ejemplo, al nombrar la imagen de una mascota con cabeza grande, hocico chato y papada colgante, se puede utilizar un sustantivo muy específico, como bulldog, u otros cada vez más vagos, como perro o animal”, ilustra García.
Además, examinaron la variabilidad semántica continua, es decir, la cercanía conceptual entre palabras sucesivas. “Por ejemplo, las palabras presentan mayor cercanía conceptual en el enunciado La cocinera estaba en la cocina y cogió un cuchillo, que en su contraparte Alguien estaba en un lugar y tomó un… ¿Qué era? Bueno, algo”, añade Facundo Carrillo, coautor e investigador del Laboratorio de Inteligencia Artificial Aplicada en el Instituto de Investigación en Ciencias de la Computación, del CONICET y la Universidad de Buenos Aires. “Hasta donde sabemos, esta es la primera vez que estos fenómenos se captan de forma automática en la EA”, añade García.
“Este descubrimiento forma parte de nuestros esfuerzos por establecer marcadores lingüísticos tempranos para diversas enfermedades cerebrales”
En comparación con las personas sanas, los individuos con EA mostraron diferencias significativas en ambas mediciones. En particular, su discurso implicaba un mayor uso de conceptos inespecíficos, un uso reducido de conceptos específicos y una mayor cantidad de elecciones conceptuales discontinuas (o sea, menor cercanía conceptual).
Por el contrario, estas métricas no arrojaron diferencias sistemáticas entre las personas sanas y los individuos con EP. “Asimismo, mediante algoritmos de aprendizaje automático, demostramos que estos rasgos permiten discriminar con robustez entre individuos con y sin EA, lo cual no sucede en el caso de pacientes con EP”, apunta Enzo Tagliazucchi, coautor e Investigador del Latin American Brain Health Institute, la Universidad de Buenos Aires y el CONICET.
Este estudio sugiere que ciertos aspectos bien establecidos de la EA, hasta ahora evidentes solo para especialistas selectos, pueden captarse con herramientas automatizadas que no requieren formación médica especializada. “Las tareas verbales naturalistas contienen un mínimo factor invasivo y no requieren necesariamente un profesional para su realización.
Estas tareas, combinadas con algoritmos de procesamiento del lenguaje, nos permiten crear un perfil de cada paciente de forma automática y objetiva”, señala Camila Sanz, becaria doctoral del CONICET y primera autora del trabajo. No menos importante es la ausencia de estos resultados en el grupo de EP. De hecho, otros aspectos lingüísticos evaluados de forma más sistemática en la EA, como la fluidez verbal, también se ven afectados con frecuencia en esta otra condición, lo que limita su uso para diferenciar entre ambas enfermedades.
“Este descubrimiento forma parte de nuestros esfuerzos por establecer marcadores lingüísticos tempranos para diversas enfermedades cerebrales”, explica García y añade: “Confiamos en que el trabajo sostenido en esta dirección abrirá nuevas vías para reforzar las pruebas diagnósticas convencionales, al tiempo que superará las limitaciones de las evaluaciones típicas, dependientes de especialistas”. En este sentido, el lenguaje, en general, y su estudio interdisciplinario, en particular, podrían ser clave para optimizar los abordajes diagnósticos actuales en materia de salud cerebral.
Adolfo M. García, Camila Sanz, Facundo Carrillo y Enzo Tagliazucchi, en intramed.net/
