Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
Esta obra est´a bajo una Licencia
Creative Commons Atribuci´on
4.0 Internacional.
Tipo de art´ıculo: Art´ıculos de revisi´on
Tem´atica: Ingenier´ıa de software
Recibido: 13/07/2025 |Aceptado: 30/08/2025 |Publicado: 30/09/2025
Identificadores persistentes:
DOI: 10.48168/innosoft.s24.a309
ARK: ark:/42411/s24.a309
PURL: 42411/s24/a309
Algoritmos de machine learning para la predicci´on de la
demencia: Revisi´on sistem´atica
Machine learning algorithms for dementia prediction: A sys-
tematic review
Ricardo Dario Mendoza Rivera1[0000- 0001- 8744- 4736], Lecca Rengifo Maria
Alexandra2[0009-0001-0898-1224], Guido Haro Marco Lucas3[0000-0003-1490-5479]*, Cruz Ulloa Leydi
Marisol4[0009-0001-7924-1549], Huamanchumo Gordillo Alexander Saul5[0009-0008-7571-6245], Quispe
Sanchez Edward Steven6[0009- 0005- 0770- 2288]
1Universidad Nacional de Trujillo. Trujillo, Per´u. rmendoza@unitru.edu.pe
2Universidad Nacional de Trujillo. Trujillo, Per´u. t1033300321@unitru.edu.pe
3Universidad Nacional de Trujillo. Trujillo, Per´u. mguido@unitru.edu.pe
4Universidad Nacional de Trujillo. Trujillo, Per´u. T1023300521@unitru.edu.pe
5Universidad Nacional de Trujillo. Trujillo, Per´u. t1033300121@unitru.edu.pe
6Universidad Nacional de Trujillo. Trujillo, Per´u. esquispes@unitru.edu.pe
∗Autor para correspondencia: mguido@unitru.edu.pe
Resumen
El trabajo a continuaci´on aborda la identificaci´on de los algoritmos usados en machine learning para la detecci´on
temprana de demencia o da˜no cognitivo degenerativo, en la actualidad uno de los principales desaf´ıos cl´ınicos
y socioecon´omicos de este siglo. Indica los algoritmos m´as relevantes en machine learning que con su alta
confiabilidad y eficacia est´an ganando terreno en un mundo mucho m´as tecnol´ogico. La metodolog´ıa usada
corresponde a las normativas de la declaraci´on PRISMA, utilizando repositorios de alta exigencia investigativa
como SCOPUS, SCIELO, IEEE XPLORE, SAGE JOURNAL y GOOGLE ACADEMICO encontrando 15
trabajos que cumplian con todos los criterios establecidos. Los resultados de la revisi´on en estos trabajos
encontraron muchas comparaciones por estudio acad´emico, entre los modelos m´as utilizados destacan Random
Forest y SVM, los cuales han mostrado precisiones superiores al 85 % en m´ultiples estudios. Las conclusiones
afirman la relevancia de Machine Learning como herramienta tecnol´ogica en la detecci´on de demencia y sus
variedades, indicando oportunidades para investigaciones futuras, particularmente en casos de estudio m´as
espec´ıficos donde el uso de la tecnolog´ıa es indispensable para ayudar al ser humano.
Palabras claves: Algoritmos, Demencia, Detecci´on, Machine Learning.
Abstract
The following work addresses the identification of algorithms used in machine learning for the early detection of
dementia or degenerative cognitive impairment, currently one of the main clinical and socioeconomic challenges
of this century. It indicates the most relevant machine learning algorithms that, with their high reliability and
effectiveness, are gaining ground in a much more technological world. The methodology used corresponds to
the PRISMA declaration standards, using highly demanding research repositories such as SCOPUS, SCIELO,
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
258
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
IEEE XPLORE, SAGE JOURNAL, and GOOGLE SCHOLAR, finding 15 works that met all established
criteria. The results of the review in these works found many comparisons by academic study. Among the most
widely used models are Random Forest and SVM, which have shown accuracies above 85 % in multiple studies.
The conclusions affirm the relevance of Machine Learning as a technological tool in the detection of dementia
and its varieties, indicating opportunities for future research, particularly in more specific case studies where
the use of technology is essential to assist humans.
Keywords: Algorithms, Dementia, Detection, Machine Learning.
Introducci´on
El incremento en la esperanza de vida ha generado un aumento paralelo en la prevalencia de trastornos
neurocognitivos, siendo la demencia uno de los principales desaf´ıos cl´ınicos y socioecon´omicos de este siglo. Este
s´ındrome de deterioro progresivo compromete funciones cognitivas esenciales como la memoria, el lenguaje y el
razonamiento, afectando la autonom´ıa del paciente e interfiriendo en sus actividades cotidianas. La enfermedad
de Alzheimer constituye su causa m´as frecuente, y aunque su incidencia se relaciona con el envejecimiento, no
representa una consecuencia inevitable del mismo.
A pesar de d´ecadas de investigaci´on, los mecanismos fisiopatol´ogicos subyacentes a´un no se comprenden com-
pletamente y no existe, hasta la fecha, un tratamiento capaz de detener o revertir su progresi´on. Las principales
caracter´ısticas neuropatol´ogicas incluyen la acumulaci´on de placas de β-amiloide y ovillos neurofibrilares de
prote´ına tau, altamente asociadas al proceso de neurodegeneraci´on [1]. Adem´as del impacto cl´ınico, las per-
sonas con demencia presentan un riesgo de mortalidad dos veces mayor en comparaci´on con grupos sin la
enfermedad, as´ı como una alta carga de comorbilidades que aceleran el deterioro funcional. Esta condici´on
tambi´en repercute intensamente en el bienestar emocional de los cuidadores, quienes suelen experimentar
elevados niveles de estr´es y s´ıntomas depresivos [2].
El escenario demogr´afico actual —marcado por un creciente envejecimiento poblacional— anticipa un aumento
significativo en la carga econ´omica de los sistemas de salud. Para contextualizar, en 2014 los costos directos
atribuibles a la enfermedad de Alzheimer en Estados Unidos alcanzaron los 214 mil millones de d´olares [3].
Frente a la falta de tratamientos curativos y al alto impacto social, el estudio del pron´ostico de la demencia
se vuelve fundamental. Las estimaciones pron´osticas no solo permiten identificar patrones de progresi´on, sino
que tambi´en apoyan a las instituciones en la planificaci´on de recursos y a los pacientes y sus familias en la
comprensi´on de la enfermedad. Para lograr esto, es esencial contar con datos cl´ınicos fiables provenientes de
ensayos cl´ınicos y estudios longitudinales como ADNI, FINGER o SNAC [4].
Por otro lado [5] tenemos la tecnolog´ıa de Machine Learning que es un ´area de la inteligencia artificial que
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
259
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
engloba un conjunto de t´ecnicas que hacen posible el aprendizaje autom´atico a trav´es del entrenamiento con
grandes vol´umenes de datos. Para [6] esta tecnolog´ıa ofrece un alto potencial y precisi´on en la predicci´on
de fen´omenos de comportamiento no lineal, tales como los trastornos mentales, en este caso la demencia.
Seg´un [7] todo este conocimiento es proporcionado gracias a la Ciencia de Datos mediante la t´ecnica del
Machine Learning.
En este contexto, el diagn´ostico temprano adquiere especial relevancia, particularmente en etapas prodr´omi-
cas como el deterioro cognitivo leve, donde la progresi´on hacia demencia es variable y dif´ıcil de anticipar
mediante m´etodos convencionales [8]. Ante este reto, los algoritmos de machine learning han emergido como
herramientas prometedoras, capaces de analizar grandes vol´umenes de datos multimodales e identificar pa-
trones complejos que ser´ıan dif´ıciles de detectar manualmente [1], [2], [8]. Una revisi´on sistem´atica reciente
evidenci´o un incremento significativo en los estudios que emplean machine learning para modelar el riesgo de
progresi´on hacia demencia tipo Alzheimer, a partir de datos cl´ınicos estructurados, neuroim´agenes, variables
demogr´aficas, resultados de laboratorio y notas m´edicas extra´ıdas de historias cl´ınicas electr´onicas [8].
En este trabajo se presenta una revisi´on sistem´atica de los avances recientes en el uso de machine learning para
la predicci´on de demencia. Se analizan comparativamente diferentes arquitecturas algor´ıtmicas, combinaciones
´optimas de biomarcadores y los principales desaf´ıos para su implementaci´on cl´ınica. El estudio se centra en
modelos predictivos validados con datos cl´ınicos o de neuroimagen publicados en la ´ultima d´ecada. Los hallazgos
sugieren que, aunque estas metodolog´ıas muestran un alto potencial predictivo, persisten retos importantes
en t´erminos de generalizaci´on, interpretabilidad e integraci´on en entornos cl´ınicos reales [1], [8]. Esta revisi´on
busca ofrecer perspectivas clave para el desarrollo de herramientas diagn´osticas m´as robustas, tempranas y
accesibles en el abordaje de las demencias.
Metodolog´ıa
Se llev´o a cabo una exhaustiva revisi´on bibliogr´afica utilizando como gu´ıa la metodolog´ıa PRISMA por sus siglas
en ingl´es (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). De acuerdo con lo estipulado
por [9], este enfoque metodol´ogico favorece la replicabilidad y la actualizaci´on de las revisiones de material
bibliogr´afico, lo que en consecuencia permite una presentaci´on m´as clara, precisa de los hallazgos. Para [10] el
uso de esta metodolog´ıa, garantiza la producci´on de nuevos saberes en el ´ambito de la investigaci´on cient´ıfica.
Adem´as, el autor destaca que las revisiones sistem´aticas cumplen un rol importante al permitir identificar el
estado actual del conocimiento en un ´area espec´ıfica. En este sentido, la aplicaci´on de PRISMA nos ayudar´a a
responder la siguiente pregunta de investigaci´on: ¿Cu´ales son los algoritmos m´as usados de machine learning
para la predicci´on de demencia?
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
260
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
Criterios de inclusi´on, exclusi´on y calidad
Con el fin de asegurar que la informaci´on recopilada para este trabajo fuera confiable y relevante, se definieron
criterios espec´ıficos para seleccionar los estudios a analizar. Estos criterios, de inclusi´on, exclusi´on y calidad,
permitieron filtrar las fuentes m´as precisas y confiables, garantizando la validez y la pertinencia a la hora de
analizar. La descripci´on detallada de dichos criterios se presenta a continuaci´on en la Tabla 1, Tabla 2 y Tabla
3.
Tabla 1. Criterios de Inclusi´on
Criterios de Inclusi´on
CI1 Antig¨uedad de m´aximo 5 a˜nos
CI2 Trabajos con relaci´on al t´opico de la investigaci´on
Nota. CI= Criterio de Inclusi´on
Tabla 2. Criterios de Exclusi´on
Criterios de Exclusi´on
CE1 Art´ıculos duplicados
CE2 Trabajos de revisi´on sistem´atica
CE3 Trabajos sin relaci´on al t´opico de la investigaci´on
CE4 Trabajos sin acceso gratuito
Nota. CE= Criterio de Exclusi´on
Tabla 3. Criterios de Calidad
Criterios de calidad
CC1 Autor´ıa y credibilidad
CC2 Diversidad de fuentes
CC3 Actualidad de la informaci´on
Nota. CC= Criterio de Calidad
Estrategia de b´usqueda
Con el objetivo de hallar y recopilar informaci´on de car´acter relevante sobre el tema de estudio, se aplicaron
estrategias de b´usquedas espec´ıficas que se detallan a continuaci´on. Se utilizaron muchas combinaciones de
palabras clave como “Machine Learning”, “Dementia”, “Prediction”, “Cognitive Decline”, “Artificial Intelli-
gence”, palabras en ingl´es, para encontrar m´as literatura sobre el tema, lo que ayud´o a expandir el espectro de
resultados y acceder a fuentes pertinentes. Estas combinaciones se aplicaron en diversos motores de b´usqueda
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
261
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
y bases de datos acad´emicas de acceso libre, lo que facilit´o la identificaci´on de estudios enfocados con el tema
de algoritmos de machine learning para la predicci´on de demencia.
En la Tabla 4 se presenta un resumen de los trabajos de investigaci´on encontrados, organizados seg´un la base
de datos o motor de b´usqueda en el que fueron localizados. Por otro lado, en la Figura 1 se ilustra el diagrama
de flujo correspondiente a la metodolog´ıa PRISMA empleada en esta revisi´on acad´emica.
Tabla 4. Filtraci´on de art´ıculos por criterios
Base de Datos Art´ıculos en-
contrados
Aplicando
CE1
Aplicando
CE2
Aplicando
CE3
Aplicando
CE4
Scielo 41 35 20 6 2
Scopus 1351 1120 311 31 5
IEEE 36 18 8 2 2
Sage Journal 12 11 3 1 1
Google
Acad´emico
802 601 12 6 5
TOTAL 2242 1785 354 46 15
Ecuaciones de B´usqueda
Para iniciar con la b´usqueda de los art´ıculos a analizar, se implementaron conectores booleanos de variables de
estudio, teniendo en cuenta las diversas combinaciones posibles para hallar la informaci´on pertinente del tema
en cuesti´on. Con la finalidad de mejorar la precisi´on en este proceso, se elabor´o en la Tabla 5 un aglomerado
que incluye la combinaci´on de los t´erminos predefinidos junto con los operadores booleanos detallados para
cada uno de los motores de b´usqueda y base de datos utilizados en este trabajo.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
262
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
Tabla 5. Ecuaci´on de B´usqueda por conectores
Repositorio Cadena de b´usqueda
Scielo (Machine Learning and Prediction and Dementia and Cognitive Decline)
Scopus TITLE-ABS-KEY (Machine Learning AND Prediction AND Dementia
AND Cognitive Decline)
IEEE (.All Metadata”: Dementia) AND (.All Metadata”: Machine Learning)
AND (.All Metadata”: Prediction)
Sage Journal (.All Keyboards”: Dementia) AND (.All Keyboards”: Prediction) AND
(.All Keyboards”: Machine Learning) AND (.All Keyboards”: Cognitive
Decline)
Google Acad´emi-
co
(Machine Learning and Dementia and Prediction and Artificial Intelli-
gence)
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
263
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
Figura 1. Diagrama de flujo PRISMA aplicado en el trabajo
Resultados y discusi´on
Luego de aplicar todos los criterios definidos de inclusi´on, exclusi´on y calidad, se identificaron 15 art´ıculos
que cumplen con las condiciones propuestas. A continuaci´on la Tabla 6 presenta un resumen detallado de los
art´ıculos seleccionados, lo que permite visualizar con claridad los enfoques investigativos adoptados.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
264
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
Tabla 6. Resultados de los art´ıculos seleccionados
Nro Autores Pa´ıs Resultados Algoritmo Machine
learning utilizado
1 Ganyi feng,
et al.
China El an´alisis de enriquecimiento funcional
revel´o que UBE2N est´a asociado con el ci-
clo de ves´ıculas sin´apticas y las v´ıas de
se˜nalizaci´on de los receptores de c´elulas
T/B.
La factorizaci´on ma-
tricial (MF) en sis-
temas de recomenda-
ci´on
2 M´onica
Richter-
Laskowska,
et al.
Polonia Aqu´ı, el algoritmo Random Forest de-
muestra un rendimiento superior, logran-
do una precisi´on del 84 %, un AUC de
0,96 y un MCC de 0,71. Este modelo su-
pera consistentemente a otras t´ecnicas de
aprendizaje autom´atico (ML).
Random Forest
3 Bettina
Barisch-Fritz,
et al.
USA La muestra del estudio consisti´o en 319
PcD (IG,norte= 161; CG,norte= 158). La
proporci´on de personas con discapacidad
que experimentaron deterioro cognitivo,
en los diferentes dominios medidos, oscil´o
entre el 27 % y el 48 % en el GC y entre el
23 % y el 49 % en el GI, sin diferencias es-
tad´ısticamente significativas ni efectos de
tiempo*grupo. Los modelos de aprendiza-
je autom´atico mostraron una precisi´on y
valores de AUC que oscilaron entre 40,6 y
75,6.
M´aquina de vectores
de soporte (SVM)
4 Georgina
Waldo-
Ben´ıtez, et
al.
M´exico Se encontr´o que el algoritmo k-NN es
el que obtiene mayor precisi´on con un
92.13 % ±3.48, seguido por RF con un
92.0 % ±1.8, a pesar de que obtienen va-
lores muy cercanos, RF no clasifica la ca-
tegor´ıa de convertido
k- Nearest Neighbors
(Vecinos m´as cerca-
nos)
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
265
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
Nro Autores Pa´ıs Resultados Algoritmo Machine
learning utilizado
5 Charlotte
James, et al.
USA En este estudio de pron´ostico de datos de
15.307 asistentes a cl´ınicas de memoria sin
demencia, los algoritmos de aprendizaje
autom´atico fueron superiores en su capa-
cidad para predecir la demencia incidente
en 2 a˜nos en comparaci´on con 2 modelos
predictivos existentes. Los algoritmos de
aprendizaje autom´atico requer´ıan solo 6
variables para alcanzar una precisi´on de
al menos el 90 % y ten´ıan un ´area bajo la
curva caracter´ıstica operativa del receptor
de 0,89.
Regresi´on log´ıstica
(LR)
6 Nibeth Mena
Mamani
Espa˜na A partir de los datos (exoma) de un indi-
viduo se encontraron 27 variantes gen´eti-
cas asociadas a la enfermedad del Alzhei-
mer. Posteriormente, con ayuda de las he-
rramientas PLINK y PRSice se calcul´o la
puntuaci´on de riesgo polig´enico con dis-
tintos modelos obtenidos por medio de es-
tudios asociativos previos (GWAS )
Algoritmo KNN o K
vecinos
7 Battista, P.,
et al.
Italia En un estudio de 1502 pacientes que pre-
sentaban deterioro cognitivo leve, el mode-
lo de SVC super´o modelos cl´ınicos tradi-
cionales usando 6 variables neuropsicol´ogi-
cas como el MMSE, la memoria epis´odica
y la edad. Alcanzando una precisi´on del
85 %
SVM (Support Vec-
tor Machine)
8 Pellegrini,
E., et al.
Reino
Unido/
Espa˜na
En el uso del algoritmo CNN 3D mostra-
ron que la AUC = 0.89 vs AUC = 0.82 en
modelos tradicionales. Requirieron solo 4
biomarcadores de MRI para alcanzar una
predicci´on mayor a 90 %.
Random Forest,
CNN, SVM
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
266
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
Nro Autores Pa´ıs Resultados Algoritmo Machine
learning utilizado
9 Dyrba, M.,
et al.
Alemania El modelo empleado de 3D-CNN + XG-
Boost logr´o una alta precisi´on de 92 %
para predecir que pacientes con deterio-
ro cognitivo leve podr´ıan tener demencia
en un plazo de 2 a˜nos.
3D-CNN (Redes
Neuronales Convolu-
cionales 3D)
10 Janice M.
Ranson, et
al.
Reino
Unido
Se menciona que los m´etodos de IA en
neuroimagen superan a los enfoques tra-
dicionales, como en el caso de la clasifi-
caci´on diagn´ostica utilizando el volumen
hipocampal, y se citan m´as de 250 estu-
dios de IA que abordan preguntas cl´ınicas
sobre el diagn´ostico o pron´ostico de la de-
mencia.
Deep learning, mo-
delos de aprendizaje
no supervisado
11 Ashir Ja-
veed, et
al.
Suecia Los modelos basados en im´agenes mos-
traron un rendimiento superior, con pre-
cisiones que alcanzaron hasta el 99.99 %
en la clasificaci´on de demencia utilizando
redes neuronales convolucionales (CNN) y
SVM. En contraste, los modelos basados
en voz obtuvieron precisiones m´as bajas,
alrededor del 63.6 % con CNN. Los algo-
ritmos m´as utilizados fueron SVM (26 %),
Random Forest (16 %) y CNN (14 %).
SVM (Support
Vector Machine),
Random Forest
(RF), Redes Neu-
ronales Convolu-
cionales (CNN),
RNN/LSTM.
12 Alexander
Merkin, et
al.
Nueva
Zelanda
Los modelos de Deep Learning pueden al-
canzar una precisi´on superior al 90 % en
la detecci´on y predicci´on de demencia, su-
perando a los m´etodos tradicionales de
Machine Learning.
Deep Learning y
M´etodos tradiciona-
les
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
267
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
Nro Autores Pa´ıs Resultados Algoritmo Machine
learning utilizado
13 Danielle
Newby, et al.
Reino
Unido
Los modelos de Machine Learning (ML)
pueden mejorar la predicci´on del riesgo de
demencia y optimizar la selecci´on de par-
ticipantes para ensayos cl´ınicos. Adem´as,
se se˜nala que los enfoques de aprendiza-
je profundo (deep learning) han logrado
una precisi´on superior al 90 % en la clasi-
ficaci´on de deterioro cognitivo leve (MCI)
y demencia utilizando datos de neuroima-
gen.
Deep learning
14 Haewon
Byeon
Corea
del Sur
Los estudios revisados mostraron altas
precisiones en la predicci´on de demencia,
como un 99.52 % con J48 (Bansal et al.,
2018), 87 % con MLP y SVM (Zhu et al.,
2020), y un AUC de 0.869 con Naive Bayes
(Jammeh et al., 2018).
Random Forest,
SVM, Naive Ba-
yes, MLP, Decision
Tree (J48), Ada-
Boost, LogitBoost,
K-means, SMOTE.
15 Donald M.
Lyall, et al.
Reino
Unido
Los modelos de machine learning supe-
raron los m´etodos cl´ınicos tradicionales
en la predicci´on de demencia. Un estudio
con 32,573 participantes mostr´o que los
Gradient Boosted Trees lograron un 92 %
de precisi´on, superando a modelos como
CAIDE (80 %). Otro modelo combinando
SVM y k-NN alcanz´o un 97.2 % de preci-
si´on en identificar riesgo de demencia.
Gradient Boosted
Trees, SVM, k-NN,
Random Forest,
Neural Networks,
Multimodal Trans-
formers, Restricted
Boltzmann Machines
(RBM).
Los resultados de esta revisi´on sistem´atica demuestran que los algoritmos de Machine Learning est´an revolu-
cionando el campo de la predicci´on de demencia. Entre los modelos m´as utilizados destacan Random Forest
y SVM, los cuales han mostrado precisiones superiores al 85 % en m´ultiples estudios. Estos algoritmos han
demostrado ser especialmente efectivos al analizar datos cl´ınicos y neuroim´agenes, lo que sugiere su potencial
para integrarse en entornos m´edicos reales. Sin embargo, se observa que su rendimiento var´ıa significativamente
seg´un el tipo y la calidad de los datos utilizados, lo que subraya la importancia de estandarizar los conjuntos
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
268
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
de datos en futuras investigaciones.
Un hallazgo relevante es el sobresaliente desempe˜no de las redes neuronales convolucionales (CNN), particu-
larmente en el an´alisis de neuroim´agenes, donde alcanzan precisiones cercanas al 99 %. Este resultado resalta
el papel crucial de las t´ecnicas de Deep Learning en el procesamiento de datos complejos como resonancias
magn´eticas o tomograf´ıas. No obstante, estos modelos presentan desaf´ıos importantes en cuanto a interpretabi-
lidad, lo que puede limitar su adopci´on cl´ınica. La ¸caja negra¸caracter´ıstica de muchas arquitecturas profundas
sigue siendo una barrera que debe abordarse para ganar la confianza de los profesionales de la salud.
Desde una perspectiva geogr´afica, se identifica una marcada disparidad en la distribuci´on de los estudios.
La mayor´ıa de las investigaciones provienen de pa´ıses desarrollados, con escasa representaci´on de poblaciones
latinoamericanas o africanas. Esta brecha podr´ıa afectar la generalizaci´on de los modelos, ya que factores como
la diversidad gen´etica y las condiciones socioecon´omicas pueden influir en la manifestaci´on de la demencia.
Adem´as, se observa que los pa´ıses con mayores recursos tienden a emplear t´ecnicas m´as avanzadas como el
Deep Learning, mientras que en regiones con menos acceso a tecnolog´ıa predominan algoritmos cl´asicos como
k-NN o regresi´on log´ıstica.
Entre las limitaciones m´as significativas se encuentra el uso de conjuntos de datos peque˜nos o poco diversos
en muchos estudios. Esta restricci´on afecta directamente la capacidad de los modelos para generalizar sus
predicciones a poblaciones m´as amplias. Asimismo, la falta de estandarizaci´on en las m´etricas de evaluaci´on
dificulta la comparaci´on directa entre diferentes algoritmos. Estos aspectos t´ecnicos deben considerarse cui-
dadosamente en futuras investigaciones para garantizar que los avances en Machine Learning se traduzcan en
beneficios tangibles para los pacientes.
Las perspectivas futuras en este campo apuntan hacia el desarrollo de modelos multimodales que integren
diversas fuentes de informaci´on, como datos gen´omicos, biomarcadores sangu´ıneos y variables de estilo de
vida. Este enfoque hol´ıstico podr´ıa superar las limitaciones de los modelos actuales y ofrecer predicciones m´as
precisas y personalizadas. Paralelamente, resulta crucial fomentar la colaboraci´on internacional para crear
bases de datos m´as diversas y representativas, as´ı como para establecer protocolos estandarizados que faciliten
la implementaci´on cl´ınica de estas tecnolog´ıas.
En conclusi´on, si bien los algoritmos de Machine Learning muestran un potencial extraordinario para trans-
formar el diagn´ostico y pron´ostico de la demencia, su implementaci´on exitosa requerir´a superar importantes
desaf´ıos t´ecnicos, ´eticos y log´ısticos. El equilibrio entre innovaci´on tecnol´ogica y aplicabilidad cl´ınica ser´a
fundamental para garantizar que estos avances beneficien equitativamente a todos los sectores de la poblaci´on.
*Conclusiones El presente estudio realiz´o una ardua investigaci´on sobre los algoritmos de Machine Learning
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
269
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
aplicados a la predicci´on de demencia, siguiendo la metodolog´ıa PRISMA para garantizar rigor cient´ıfico. Tras
analizar 15 art´ıculos seleccionados mediante criterios estrictos, se identific´o que los algoritmos m´as utilizados
son Random Forest, SVM, k-NN, Regresi´on Log´ıstica, Factorizaci´on Matricial y Redes Neuronales Convolucio-
nales (CNN). Estos modelos demostraron una alta eficacia, con precisiones que superan el 85 % en la mayor´ıa
de los casos. Las CNN destacaron especialmente en el procesamiento de neuroim´agenes, alcanzando hasta un
99 % de precisi´on, lo que resalta su potencial para un diagn´ostico temprano y preciso.
Esta investigaci´on contribuye significativamente al campo de la inteligencia artificial en salud al sintetizar
evidencia actualizada sobre el rendimiento de estos algoritmos. Los resultados subrayan su capacidad para
analizar datos complejos y multimodales, como im´agenes m´edicas, variables cl´ınicas y biomarcadores gen´eti-
cos, ofreciendo herramientas prometedoras para la detecci´on temprana de la demencia. Sin embargo, tambi´en se
identificaron desaf´ıos cr´ıticos, como la falta de estandarizaci´on en los conjuntos de datos y la limitada interpre-
tabilidad de modelos avanzados como los basados en Deep Learning, lo cual puede dificultar su implementaci´on
cl´ınica.
Como perspectivas futuras, se recomienda desarrollar modelos multimodales que integren diversas fuentes de
informaci´on, como datos gen´omicos, biomarcadores sangu´ıneos y h´abitos de vida, para mejorar la precisi´on pre-
dictiva. Adem´as, es crucial fomentar colaboraciones internacionales que permitan recopilar datos m´as diversos
y representativos, especialmente de poblaciones subestudiadas como las de Latinoam´erica y ´
Africa. Otra l´ınea
importante es la investigaci´on en t´ecnicas de explicabilidad (XAI) para hacer los modelos m´as transparentes y
accesibles para los profesionales de la salud. Finalmente, se sugiere validar estos algoritmos en entornos cl´ınicos
reales, con el fin de asegurar su utilidad pr´actica y facilitar su adopci´on en sistemas de salud. Estos avances
no solo optimizar´ıan el diagn´ostico y pron´ostico de la demencia, sino que tambi´en podr´ıan extenderse a otras
´areas de la medicina, marcando un hito en la aplicaci´on de la inteligencia artificial para mejorar la calidad de
vida de los pacientes.
*Contribuci´on de Autor´ıa Ricardo Dario Mendoza Rivera: Visualizaci´on,Validaci´on,Redacci´on - borrador
original. Lecca Rengifo Maria Alexandra: Investigaci´on,Escritura, revisi´on y edici´on. Guido Haro Marco Lu-
cas: Conceptualizaci´on,Investigaci´on,Metodolog´ıa. Cruz Ulloa Leydi Marisol: An´alisis formal,Redacci´on -
borrador original. Huamanchumo Gordillo Alexander Saul: Redacci´on - borrador original,Conceptualizaci´on,
Escritura, revisi´on y edici´on. Quispe Sanchez Edward Steven: Supervisi´on,Administraci´on de proyectos,Cu-
raci´on de datos.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
270
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 258-271
https://revistas.ulasalle.edu.pe/innosoft
Referencias
[1] A. Javeed, A. L. Dallora, J. S. Berglund et al., “Machine learning for dementia prediction: A systematic
review and future research directions,” Journal of Medical Systems, vol. 47, no. 17, 2023.
[2] S. Grueso and R. Viejo-Sobera, “Machine learning methods for predicting progression from mild cognitive
impairment to alzheimer’s disease dementia: a systematic review,” Alzheimer’s Research & Therapy,
vol. 13, no. 162, 2021.
[3] S. Kumar, I. Oh, S. Schindler, A. M. Lai, P. R. O. Payne, and A. Gupta, “Predicting the risk of alzheimer’s
disease progression using ehr data: A multisite study,” JAMIA Open, vol. 4, no. 3, 2021.
[4] A. L. Dallora, S. Eivazzadeh, E. Mendes, J. Berglund, and P. Anderberg, “Machine learning and micro-
simulation techniques on the prognosis of dementia: A systematic literature review,” PLoS ONE, vol. 12,
no. 6, 2017.
[5] L. J. Sandoval, “Algoritmos de aprendizaje autom´atico para an´alisis y predicci´on de datos,” Revista
Tecnol´ogica, no. 11, 2018.
[6] C. Russo, H. Ram´on, N. Alonso, B. Cicerchia, L. Esnaola, and J. P. Tessore, “Tratamiento masivo de
datos utilizando t´ecnicas de machine learning,” 2016.
[7] S. M. Guti´errez, L. A. Res´endiz, and M. G. L´opez, “Machine learning y redes neuronales artificiales para
predicci´on y prevenci´on de trastorno depresivo,” Transformaci´on Digital de las Instituciones Educativas,
vol. 122, 2022.
[8] G. Kantayeva et al., “Application of machine learning in dementia diagnosis: A systematic literature
review,” Heliyon, vol. 9, no. 11, 2023.
[9] M. J. Page et al., “The prisma 2020 statement: An updated guideline for reporting systematic reviews,”
Journal of Clinical Epidemiology, vol. 134, pp. 178–189, 2021.
[10] G. B. Morales, “An´alisis de prisma como metodolog´ıa para revisi´on sistem´atica: una aproximaci´on gene-
ral,” Sa´ude em Redes, vol. 8, no. sup1, pp. 339–360, 2022.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
271
