El uso de la Inteligencia Artificial en la Enfermedad de Parkinson
DOI:
https://doi.org/10.33448/rsd-v14i1.48011Palabras clave:
Inteligencia Artificial, Enfermedad de Parkinson, Diagnóstico, Tratamiento.Resumen
La enfermedad de Parkinson (EP) es una enfermedad neurológica que degrada la sustancia negra del cerebro, provocando déficits motores en el individuo. Sus síntomas difusos afectan el análisis clínico, dificultando el diagnóstico y tratamiento precoz. El objetivo de este estudio es analizar el uso de la inteligencia artificial en el diagnóstico y tratamiento de la Enfermedad de Parkinson. La metodología utilizada fue una revisión integradora de la literatura basada en artículos publicados entre 2019 y 2024. Se identificaron avances significativos en el uso de algoritmos de aprendizaje automático (ML) para el diagnóstico temprano, el seguimiento de los síntomas y la personalización del tratamiento. Técnicas como las redes neuronales convolucionales, el análisis de biomarcadores, los dispositivos de internet de las cosas (IoT), el diagnóstico asistido por computadora (CAD) y el WGCNA destacaron por su precisión y eficiencia en el reconocimiento de patrones relacionados con la EP. Aunque la IA demuestra un gran potencial en el diagnóstico y seguimiento de la EP, los avances en el tratamiento siguen siendo limitados. Considerando la relevancia del tema, se recomienda el desarrollo de estudios adicionales para integrar estas tecnologías en la práctica clínica.
Referencias
Anima. (2014). Manual revisão bibliográfica sistemática integrativa: a pesquisa baseada em evidências. Grupo Anima.
Calderone, A. et al. (2024). Towards Transforming Neurorehabilitation: The Impact of Artificial Intelligence on Diagnosis and Treatment of Neurological Disorders. Biomedicines. 12(10), 2415.
Crossetti, M. G. M. (2012). Revisión integradora de la investigación en enfermería el rigor científico que se le exige. Rev. Gaúcha Enferm. 33(2): 8-9.
Dennisa, A-G. P. & Strafella, A. P. (2024). The Role of AI and Machine Learning in the Diagnosis of Parkinson’s Disease and Atypical Parkinsonisms. Parkinsonism & related disorders (Online)/Parkinsonism & related disorders. 106986–106986.
Dong, B.. Liu, X. & Yu, S. (2024). Utilizing machine learning algorithms to identify biomarkers associated with diabetic nephropathy: A review. Medicine. 103(8), e37235–e37235.
Faouzi, J., Colliot, O. & Corvol, J-C. (2023). Machine Learning for Parkinson’s Disease and Related Disorders. Neuromethods. 847–77.
Giannakopoulou, K-M., Roussaki, I. & Demestichas, K. (2022). Internet of Things Technologies and Machine Learning Methods for Parkinson’s Disease Diagnosis, Monitoring and Management: A Systematic Review. Sensors. 22(5), 1799.
Hughes, G. L. et al. (2020). Machine learning discriminates a movement disorder in a zebrafish model of Parkinson’s disease. Disease Models & Mechanisms. 13(10), dmm045815.
Kriegeskorte, N. & Golan, T. (2019). Neural network models and deep learning. Current Biology. 29(7), R231–R236.
Landers, M., Saria, S. & Espay, A.J. (2021). Will Artificial Intelligence Replace the Movement Disorders Specialist for Diagnosing and Managing Parkinson’s Disease? Journal of Parkinson’s Disease. 11(s1), S117–S122.
Langfelder, P., Horvath, S. (2008). WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 9 (1).
https://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-9-559
Loh, H. W. et al. (2021). Application of Deep Learning Models for Automated Identification of Parkinson’s Disease: A Review (2011–2021). Sensors. 21 (21), 7034.
Mattos, P. C. (2015). Tipos de revisão de literatura. Unesp, 1-9. https://www.fca.unesp.br/Home/Biblioteca/tipos-de-evisao-de-literatura.pdf.
Melo, L.M., Barbosa, E.R. & Caramelli, P. (2007). Declínio cognitivo e demência associados à doença de Parkinson: características clínicas e tratamento. Archives of Clinical Psychiatry - Revista de Psiquiatria Clínica. 34(4), 176-83.
Pereira A. S. et al. (2018). Metodologia da pesquisa científica. [free e-book]. Editora UAB/NTE/UFSM.
Perju-Dumbrava, L. et al. (2022). Artificial intelligence applications and robotic systems in Parkinson’s disease (Review). Experimental and Therapeutic Medicine. 23(2), 153.
Rosa, C. M., Souza, P. A. R. & Silva, J. M. (2020). Inovação em saúde e internet das coisas (IoT): Um panorama do desenvolvimento científico e tecnológico. Perspectivas em Ciência da Informação. 25(3), 164–81.
Sponchiado, G. S. (2019). Estratégia de caracterização de sinais eletromiográficos baseada em redes neurais artificiais para sistemas de controle de máquinas de movimento contínuo. Dissertação (Mestrado em Engenharia Elétrica) - Escola Politécnica da Pontifícia Universidade Católica do Rio Grande do Sul, Porto Alegre.
Sturchio, A. et al. Phenotype-Agnostic Molecular Subtyping of Neurodegenerative Disorders: The Cincinnati Cohort Biomarker Program (CCBP). Frontiers in Aging Neuroscience, v. 12, 8 out. 2020.
Tabashum, T. et al. (2024) Machine Learning Models for Parkinson Disease: Systematic Review. JMIR Medical Informatics, 12, e50117–e50117.
Tolosa, E. et al. (2021) Challenges in the diagnosis of Parkinson’s disease. The Lancet Neurology, 20(5), 385–397.
Vatansever, S. et al. (2020). Artificial intelligence and machine learning‐aided drug discovery in central nervous system diseases: State‐of‐the‐arts and future directions. Medicinal Research Reviews. 41 (3), 1427–73.
Vilela Jr., G. B. et al. (2023). Inteligência artificial e reabilitação neuro motora. Revista CPAQV - Centro de Pesquisas Avançadas em Qualidade de Vida. 15 (3). https://doi.org/10.36692/V15N3-30R.
Wu, P. et al. (2023). The advantages of artificial intelligence-based gait assessment in detecting, predicting, and managing Parkinson’s disease. Front Aging Neurosci. 12 (15): 1191378. DOI: 10.3389/fnagi.2023.1191378..
Yu, S. et al. (2018). Motion Sensor-Based Assessment on Fall Risk and Parkinson’s Disease Severity: A Deep Multi-Source Multi-Task Learning (DMML) Approach. Annals of the 2018 IEEE International Conference. 9, 174–9 10.1109/ICHI.2018.00027. https://ieeexplore.ieee.org/document/8419360/.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Eduardo Henrique Franco Cahú da Silva; Ricardo Teti Vieira ; Gabriela Duarte Nunes ; Tiago Gonçalves Siebra ; Caio Vinícius Gueiros Tabosa; João Magalhães Moura; Pedro Hélio Phaelante Costa Guerra ; Hiago Vitório Castro Lima de Melo; Leilane Helena Andrade Lima; Manuela Barbosa Rodrigues de Souza
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
