Título: Predicción de funciones ejecutivas con aprendizaje automático: Estudios de caso en cohortes online y contexto clínico presencial

Directores: Juan E Kamienkowski, Gustavo Juantorena

Juradxs: Fernando Schapachnik, Melina Vladislauskas

Resumen:

El Trail Making Test (TMT) es una de las evaluaciones neuropsicológicas más utilizadas para el diagnóstico clínico. Tradicionalmente administrada con lápiz y papel, esta tarea presenta alta sensibilidad, aunque baja especificidad. Para abordar esta limitación, se puso a prueba una versión computarizada del TMT (cTMT) que preserva la estructura original de la tarea y registra en detalle la serie temporal del cursor. A partir de estos registros, se extrajeron atributos orientados a representar el rendimiento de los participantes.

El cTMT fue evaluado en dos estudios. En el primero, con el objetivo de aumentar su accesibilidad, se implementó la tarea en una plataforma online junto con tres tareas estandarizadas: Change Detection Task, para memoria de trabajo visual, y Go/No-Go y Stop-Signal Task, para control inhibitorio. En una muestra de 484 participantes, se utilizaron los atributos del cTMT para predecir la edad y diferencias individuales en funciones ejecutivas medidas mediante estas tareas de referencia. Los resultados mostraron predicciones estadísticamente significativas en ambos casos.

En el segundo estudio, orientado a analizar el desempeño del cTMT en una población clínica, 74 adultos mayores, 41 con deterioro cognitivo leve y 33 controles sanos, completaron el cTMT y una batería diagnóstica estándar administrada con lápiz y papel. Se compararon modelos basados en información demográfica, atributos del cTMT y puntajes de la batería diagnóstica. Los modelos demográficos no alcanzaron significancia estadística, mientras que los modelos basados en atributos del cTMT sí lo hicieron, con un desempeño de AUC = 0,67. Al combinar estos atributos con información demográfica, el desempeño aumentó a AUC = 0,70, un valor cercano al obtenido con la batería diagnóstica estándar (AUC = 0,76), que formó parte del criterio diagnóstico. Además, los atributos del cTMT permitieron predecir significativamente el desempeño en cinco de las siete pruebas de la batería diagnóstica.

En conjunto, estos resultados sugieren que el cTMT permite capturar información conductual relevante mediante una evaluación digital accesible y de bajo costo. Asimismo, respaldan el potencial de esta metodología para complementar las herramientas tradicionales de evaluación neuropsicológica y contribuir a la detección temprana de enfermedades neurodegenerativas, como la enfermedad de Alzheimer y otras demencias relacionadas.