Algoritmos de machine learning para la predicción de la demencia: Revisión sistemática
Resumen
El trabajo a continuación aborda la identificación de los algoritmos usados en machine learning para la detección temprana de demencia o daño cognitivo degenerativo, en la actualidad uno de los principales desafíos clínicos y socioeconómicos de este siglo. Indica los algoritmos más relevantes en machine learning que con su alta confiabilidad y eficacia están ganando terreno en un mundo mucho más tecnológico. La metodología usada corresponde a las normativas de la declaración 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 revisión en estos trabajos encontraron muchas comparaciones por estudio académico, entre los modelos más utilizados destacan Random Forest y SVM, los cuales han mostrado precisiones superiores al 85% en múltiples estudios. Las conclusiones afirman la relevancia de Machine Learning como herramienta tecnológica en la detección de demencia y sus variedades, indicando oportunidades para investigaciones futuras, particularmente en casos de estudio más específicos donde el uso de la tecnología es indispensable para ayudar al ser humano.
Descargas
Citas
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. doi: 10.1007/s10916-023-01906-7
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. doi: 10.1186/s13195-021-00900-w
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. doi: 10.1093/jamiaopen/ooab052
A. L. Dallora, S. Eivazzadeh, E. Mendes, J. Berglund, and P. Anderberg, “Machine learning and microsimulation techniques on the prognosis of dementia: A systematic literature review,” PLoS ONE, vol. 12, no. 6, 2017. doi: 10.1371/journal.pone.0179804
L. J. Sandoval, “Algoritmos de aprendizaje automático para análisis y predicción de datos”, Revista Tecnológica, no. 11., 2018.
C. Russo, H. Ramón, N. Alonso, B. Cicerchia, L. Esnaola, & J. P. Tessore, ”Tratamiento masivo de datos utilizando técnicas de Machine Learning”, 2016.
S. M. Gutiérrez, L. A. Reséndiz, & M. G. López, “Machine learning y redes neuronales artificiales para predicción y prevención de trastorno depresivo”, Transformación Digital de las Instituciones Educativas, 122, 2022.
G. Kantayeva et al., “Application of machine learning in dementia diagnosis: A systematic literature review”, Heliyon, vol. 9, no. 11, 2023. doi: 10.1016/j.heliyon.2023.e21626
M. J. Page, J. E. McKenzie, P. M. Bossuyt, I. Boutron, T. C. Hoffmann, C. D. Mulrow, L. Shamseer, J. M. Tetzlaff, E. A. Akl, S. E. Brennan, R. Chou, J. Glanville, J. M. Grimshaw, A. Hróbjartsson, M. M. Lalu, T. Li, E. W. Loder, E. Mayo-Wilson, S. McDonald, and D. Moher, "The PRISMA 2020 statement: An updated guideline for reporting systematic reviews," Journal of Clinical Epidemiology, vol. 134, pp. 178-189, 2021. [Online]. Available: https://doi.org/10.1016/j.jclinepi.2021.03.001
G. B. Morales. “Análisis de Prisma como Metodología para Revisión Sistemática: una Aproximación General. Saúde em Redes”, 8(sup1), 339-360, 2022. https://doi.org/10.18310/2446-4813.2022v8nsup1p339-360
G. Feng, M. Zhong, H. Huang, P. Zhao, X. Zhang, T. Wang, H. Gao & É. Xu, “Identification of UBE2N as a biomarker of Alzheimer’s disease by combining WGCNA with machine learning algorithms”, Sci Rep 15, 6479 (2025). https://doi.org/10.1038/s41598-025-90578-z
M. Richter, E. Sobotnicka & A. Bednorz, “ Cognitive performance classification of older patients using machine learning and electronic medical records ”, Sci Rep 15, 6564 (2025). https://doi.org/10.1038/s41598-025-90460-y
B. Barisch, J. Shah, J. Krafft, Y. Geda, T. Wu, A. Woll y J. Krell, “Physical activity and the outcome of cognitive trajectory: a machine learning approach”, Eur Rev Aging Phys Act 22, 1 (2025). https://doi.org/10.1186/s11556-024-00367-2
G. C. Waldo, L. C. Padierna, M. A. Sosa, P. V. Cerón, “Clasificación de demencia usando métodos clásicos de Machine Learning”, Universidad de Quintana Roo, México, 2024. [Online] https://rcs.cic.ipn.mx/2024_153_4/Clasificacion%20de%20demencia%20usando%20metodos%20clasicos%20de%20Machine%20Learning.pdf
C. James, J. M. Ranson, R. Everson & D. J Llewellyn, “Rendimiento de algoritmos de aprendizaje automático para predecir la progresión a demencia en pacientes de clínicas de memoria”, JAMA Netw Abierto, Vol. 4, nr. 12, 2021. doi:10.1001/jamanetworkopen.2021.36553
N. Mena, “Machine Learning y Puntuación de Riesgo Poligénico para la Enfermedad de Alzheimer”, Departamento de Informática y Automática, Facultad de Ciencias , págs. 109-135, 2021.
P. Battista, C. Salvatore, and I. Castiglioni, "Optimizing neuropsychological assessments for cognitive dysfunction detection in Alzheimer’s disease," Front. Aging Neurosci., vol. 9, p. 377, Nov. 2017, doi: 10.3389/fnagi.2017.00377.
E. Pellegrini et al., "Machine learning of neuroimaging for assisted diagnosis of cognitive impairment and dementia: A systematic review," Alzheimers Dement. (Amst), vol. 10, pp. 519–535, 2018, doi: 10.1016/j.dadm.2018.07.004.
M. Dyrba et al., "Improving 3D CNN-based dementia classification with visual explanations," J. Med. Imaging, vol. 8, no. 2, p. 024503, Apr. 2021, doi: 10.1117/1.JMI.8.2.024503.
J. M. Ranson, M. Bucholc, D. Lyall, D. Newby, L. Winchester, N. P. Oxtoby, M. Veldsman, T. Rittman, S. Marzi, N. Skene, A. Al Khleifat, I. F. Foote, V. Orgeta, A. Kormilitzin, I. Lourida & D. J. Llewellyn, "Harnessing the potential of machine learning and artificial intelligence for dementia research", Brain Inform 10, 6 (2023). https://doi.org/10.1186/s40708-022-00183-3
A. Javeed, A. L. Dallora, J. S. Berglund, A. Ali, L. Ali & P. Anderberg, "Machine Learning for Dementia Prediction: A Systematic Review and Future Research Directions", J Med Syst 47, 17 (2023). https://doi.org/10.1007/s10916-023-01906-7
A. Merkin, R. Krishnamurthi & O. N. Medvedev, "Machine learning, artificial intelligence and the prediction of dementia", Curr. Opin. Psychiatry 35(2), 123-129 (2022). https://doi.org/10.1097/YCO.0000000000000768
D. Newby, V. Orgeta, C. R. Marshall et al., "Artificial intelligence for dementia prevention", Alzheimer's Dement. 19, 5952-5969 (2023). https://doi.org/10.1002/alz.13463
H. Byeon, "Detección de demencia y predicción de grupos de alto riesgo utilizando aprendizaje automático", World J Psychiatry 12, 204-211 (2022). https://doi.org/10.5498/wjp.v12.i2.204
D. M. Lyall, A. Kormilitzin, C. Lancaster, J. Sousa, F. Petermann-Rocha, C. Buckley, E. L. Harshfield, M. H. Iveson, C. R. Madan, R. McArdle, D. Newby, V. Orgeta, E. Tang, S. Tamburin, L. S. Thakur, I. Lourida, The Deep Dementia Phenotyping (DEMON) Network, D. J. Llewellyn & J. M. Ranson, "Inteligencia artificial para demencia: modelos aplicados y salud digital", Alzheimer’s Dement. 19, 5872-5884 (2023). https://doi.org/10.1002/alz.13391
Derechos de autor 2026 Innovación y Software
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
Los autores ceden en exclusiva el derecho de publicación de su artículo a la Revista Innovación y Software, que podrá editar o modificar formalmente el texto aprobado para cumplir con las normas editoriales propias y con los estándares gramaticales universales, antes de su publicación; asimismo, nuestra revista podrá traducir los manuscritos aprobados a cuantos idiomas considere necesario y difundirlos en varios países, dándole siempre el reconocimiento público al autor o autores de la investigación.
