Desarrollo de una herramienta basada en redes de asociación para la ayuda al diagnóstico de la enfermedad del Alzheimer

1 UNIVERSIDAD DE VALLADOLID ESCUELA TÉCNICA SUPERIOR DE INGENIEROS DE TELECOMUNICACIÓN Trabajo Fin De Grado PROGRAMA DE ESTUDIOS CONJUNTO DE GRADO EN INGENIERÍA DE TECNOLOGÍAS DE TELECOMUNICACIÓN Y GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS. Desarrollo de una herramienta basada en redes de asociación para la ayuda al diagnóstico de la enfermedad del Alzheimer Autora: Dña. Sara Lammini Rodríguez Tutores: Dr. D. Jesús Poza Crespo Dr. D. Carlos Gómez Peña 2 _______________________________________________________________________ TÍTULO: Desarrollo de una herramienta basada en redes de asociación para la ayuda al diagnóstico de la enfermedad del Alzheimer AUTORA: Sara Lammini Rodríguez TUTORES: Dr. D. Jesús Poza Crespo Dr. D. Carlos Gómez Peña DEPARTAMENTO: Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática _______________________________________________________________________ TRIBUNAL _______________________________________________________________________ PRESIDENTE: María García Gadañón SECRETARIO: Carlos Gómez Peña VOCAL: Jesús Poza Crespo P. SUPLENTE: Roberto Hornero Sánchez V. SUPLENTE: Miguel López-Coronado Sánchez- ______Fortún _______________________________________________________________________ FECHA: CALIFICACIÓN: _______________________________________________________________________ 3 4 Agradecimientos Agradecer en primer lugar a mis tutores Jesús Poza Crespo y Carlos Gómez Peña la posibilidad de realizar este Trabajo de Fin de Grado e iniciarme en el apasionante mundo de la ingeniería biomédica. Agradecerles todo lo que me han enseñado durante todos estos meses y toda su ayuda que, a pesar de las extrañas condiciones en la que nos encontramos, nunca me ha faltado. Mostrarles también mi gratitud por haber aceptado el reto de realizar un trabajo de fin de grado coordinado con el área de Organización de empresas para estudiar la viabilidad de llevar esta propuesta de valor al mercado. Agradecer también a Natalia Martín Cruz, mi tutora del Trabajo de Fin de Grado de Administración y Dirección de Empresas, por inspirarme a ver las cosas desde otra perspectiva y transmitirme toda su energía y su ilusión. Dar las gracias a todo el Grupo de Ingeniería Biomédica, en especial a Marcos Revilla Vallejo, por haber sido un gran amigo desde el primer día de la carrera hasta el último y transmitirme su pasión por la ingeniería biomédica, y a Víctor Gutiérrez de Pablo, por ayudarme con todas y cada una de mis dudas. Quiero agradecerles también a mis padres haber creído de forma incondicional en mí y haber apostado siempre por mi educación. También a mi hermano, por llevar 22 años siendo mi mayor apoyo. Por último, darles las gracias a todos los amigos que me llevo de la carrera, por haberme acompañado en todos los buenos momentos y en los no tan buenos, en especial a Nadia Pérez, Victoria Castro y Álvaro García. 5 RESUMEN La enfermedad de Alzheimer (EA) es el tipo de demencia más común en el mundo occidental y se espera que su prevalencia vaya en aumento como resultado del incremento en la esperanza de vida. Está asociada a un deterioro de las funciones cognitivas que afectan significativamente a la calidad de vida de las personas que la sufren. Obtener un diagnóstico temprano es clave para alargar la autonomía del paciente, darle tiempo para tomar decisiones acerca de su futuro y reducir significativamente los costes asociados a la enfermedad. Al no existir un biomarcador de la EA fácilmente accesible en la práctica clínica diaria, los especialistas en neurología se ven obligados a recurrir a un diagnóstico clínico, en base a los síntomas que presenta el paciente, una exploración neurológica y múltiples pruebas complementarias indicadas en el consenso médico vigente. Esto hace del diagnóstico un proceso complejo y con cierto grado de subjetividad. Además, algunas de estas pruebas tienen un coste elevado, no se encuentran ampliamente disponibles o son invasivas. Por lo tanto, la realización de pruebas a toda la población de riesgo para obtener un diagnóstico temprano es insostenible, tanto organizativa como económicamente. El objetivo de este Trabajo Fin de Grado consiste en encontrar nuevas aproximaciones metodológicas que permitan obtener un diagnóstico más económico, sencillo, objetivo, no invasivo y fácilmente escalable a toda la población de riesgo. Para ello, se han establecido cuatro sistemas de clasificación: (i) sujetos patológicos vs. no patológicos, (ii) controles vs. enfermos de Alzheimer, (iii) controles vs. pacientes con deterioro cognitivo leve vs. enfermos de Alzheimer, y (iv) controles vs. pacientes con deterioro cognitivo leve vs. enfermos de Alzheimer con distinto grado de severidad (leve, moderada y severa). Para cada sistema, en función de las variables incluidas, se distinguen tres modelos: reducido, ampliado y completo. El modelo reducido incluye las variables socio-demográficas más directas de obtener (edad, sexo y nivel educativo) y parámetros espectrales (frecuencia alfa individual y frecuencia mediana), no lineales (entropía muestral) y de conectividad (índice de retardo de fase y correlación de la envolvente de amplitud) calculados a partir de la actividad electroencefalográfica (EEG). El modelo ampliado, además de considerar las variables del modelo reducido, añade nuevos parámetros sociodemográficos (alimentación, ejercicio físico, comorbilidades sensoriomotoras, salud cardiovascular, alcoholismo, enfermedades hormonales y tabaquismo). Por último, el modelo completo se construye a partir de las variables del ampliado y a mayores se incluyen nuevos parámetros espectrales (potencia relativa y entropía espectral de Shannon), no lineales (complejidad de Lempel-Ziv y medida de la tendencia central) y varios parámetros de red. Para cada uno de estos modelos se ha estudiado el efecto de añadir una nueva variable clínica, el Mini Examen del Estado Mental (MMSE). Construyendo las redes de asociación se ha observado que las relaciones entre las distintas variables consideradas en cada modelo son características para 6 cada grupo y, precisamente en base a estas diferencias, se ha generado el sistema de clasificación. La base de datos disponible está constituida por 252 sujetos: 51 controles cognitivamente sanos y de edad avanzada, 51 pacientes con deterioro cognitivo leve, 50 pacientes con EA leve, 50 pacientes con EA moderada y 50 pacientes con EA severa. Parte de estos sujetos se han empleado para generar las redes de asociación de entrenamiento. Este número de sujetos varía en función del sistema de clasificación: 40 sujetos no patológicos y 40 patológicos para el sistema (i), 39 controles y 39 pacientes con EA para el (ii), 39 controles, 39 pacientes con deterioro cognitivo leve y 39 pacientes con EA para el (iii) y 40 controles, 40 sujetos con deterioro cognitivo leve y 40 enfermos de cada grado de severidad de la EA para el (iv). El resto de los sujetos han sido utilizados para probar la clasificación. Cuando se pretende determinar a qué grupo pertenece un sujeto dentro de un sistema de clasificación, se añaden los datos de este sujeto a los de los sujetos que constituyen la red de entrenamiento de cada grupo y se computan nuevamente las redes. Posteriormente, se evalúa el impacto de la inclusión de este nuevo sujeto comparando las redes con y sin el sujeto mediante el test de Mantel. Aquel grupo para el cual se obtenga un menor impacto será el grupo al que, según nuestra aproximación, pertenece el sujeto. De todos los modelos planteados, el que obtiene resultados más prometedores desde el punto de vista clínico es el modelo ampliado sin MMSE que clasifica a los sujetos en patológicos y no patológicos. Este modelo clasifica correctamente 7 de 11 controles (63,64%) y 155 de 161 sujetos patológicos (96,97%) únicamente a partir de datos socio-demográficos y parámetros extraídos de la actividad EEG. Estos resultados indican que, si bien el modelo de clasificación aún no pueda utilizarse como herramienta diagnóstica definitiva, puede resultar de gran utilidad como herramienta de screening inicial. Gracias a esta herramienta, puede descartarse de una forma rápida, sencilla y económica la presencia de deterioro cognitivo leve o EA en un 63,64% de los sujetos sin necesidad de recurrir al complejo diagnóstico tradicional, reduciendo de este modo la creciente carga económica y organizativa sobre el sistema de salud. A la luz de los resultados obtenidos es posible concluir que las redes de asociación suponen un enfoque innovador que permiten integrar información diversa para caracterizar la enfermedad y estudiar el impacto de la EA en distintos niveles de análisis. Estas redes tienen gran potencial como herramienta de ayuda al diagnóstico, haciendo del screening de toda la población de riesgo en una posible realidad. PALABRAS CLAVE _______________________________________________________________________ Enfermedad de Alzheimer, deterioro cognitivo leve, electroencefalografía, variables clínicas, datos socio-demográficos, red de asociación, coeficiente de correlación, test de Mantel. 7 ABSTRACT Alzheimer’s disease (AD) is the most common type of dementia in the Western world and its prevalence is expected to grow because of prolongation in the average lifespan. It is associated with a deterioration of the cognitive functions that significantly affects the quality of life of patients. Early diagnosis is critical to extending patients’ autonomy, giving them time to make decisions about their future and thus reducing the costs associated with the disease. In the absence of an accessible AD biomarker in clinical practice, neurologists use a clinical diagnosis based on symptoms, neurological exploration, and multiple complementary tests prescribed by the current medical consensus. This makes diagnosis a complex and subjective process. Furthermore, some of these tests are expensive, poorly available, or invasive. Therefore, testing the entire at-risk population for an early diagnosis is not sustainable, neither economically nor organisationally. The objective of this final degree project is to find new methodological approaches to obtain a less expensive, simpler, more objective, and non-invasive diagnosis which is scalable to the entire risk population. For this purpose, four classification systems have been established: (i) pathological subjects vs. nonpathological, (ii) controls vs. AD patients, (iii) controls vs. mild cognitive impairment patients vs. AD patients, and (iv) controls vs. mild cognitive impairment patients vs. AD patients with different severity degrees (mild, moderate, and severe). For each system, depending on the variables included, we can distinguish three models: reduced, extended, and complete. The reduced model includes the most direct sociodemographic variables (age, sex, and educational level) and spectral (individual alpha frequency, and median frequency), non-linear (sample entropy) and connectivity (phase lag index and amplitude envelope correlation) parameters calculated from electroencephalographic (EEG) activity. The extended model, in addition to the variables included in the reduced model, incorporates new sociodemographic parameters (diet, physical exercise, sensorimotor comorbidities, cardiovascular health, alcoholism, hormonal diseases, and smoking). Finally, the complete model is built from the variables of the extended model and new spectral parameters (relative power and Shannon entropy), non-linear parameters (Lempel- Ziv complexity and central tendency measure) and several network parameters. For each of these models, the effect of adding a new clinical variable, the Mini-Mental State Examination (MMSE), has been evaluated. Computing the association networks, it has been found that the relationships between the different variables of the model are characteristic for each group. Based on these differences, a classification system has been designed. There are 252 subjects in the database: 51 controls, 51 patients with mild cognitive impairment, 50 patients with mild AD, 50 patients with moderate AD, and 50 patients with severe AD. Some of these subjects have been used to generate the training association networks. The number of subjects used to train these networks depends on the classification system: 40 nonpathological and 40 pathological subjects for system (i); 39 controls and 39 AD 8 patients for system (ii); 39 controls, 39 patients with mild cognitive impairment, and 39 AD patients for system (iii); and 40 controls, 40 mild cognitive impaired subjects, and 40 AD patients with each degree of severity for system (iv). The remaining subjects have been used to test the classification system. When classifying a new subject, her/his data is added to the training data of each group and the networks are computed again. Subsequently, the Mantel test is used to evaluate the impact of adding the new subject to each network. The system will determine that the subject belongs to the group for which a lower impact is obtained. The model with the most promising results from the clinical point of view is the extended model without MMSE for classifying subjects as non-pathological or pathological. This model classifies correctly 7 out of 11 non-pathological (63.64%) and 155 out of 161 (96.97%) pathological subjects using exclusively sociodemographic data and EEG parameters. These results suggest that, although the classification system cannot be used as a diagnostic test, it can be very useful as an initial screening tool. Thanks to this tool, the presence of mild cognitive impairment or AD can be ruled out in a prompt, simple, and economic way in the 63,64% of the healthy subjects, without the use of the traditional costly, complex, and invasive diagnosis method. This, in turn, reduces the growing economical and organisational burden on the health system. In light of the results obtained, we can conclude that association networks are an innovative approach that allows us to integrate different information to characterise the illness and study the impact of AD in different levels. These networks have great potential as a diagnosis tool, making the at-risk population screening a conceivable reality. KEYWORDS _______________________________________________________________________ Alzheimer’s disease, mild cognitive impairment, electroencephalography, clinical variables, sociodemographic data, association network, correlation coefficient, Mantel test. 9 ÍNDICE GENERAL _______________________________________________________________________ CAPÍTULO 1: INTRODUCCIÓN………………………………….…….15 1.1.1 La enfermedad de Alzheimer………………………………………………………….15 1.1.2 Procesado de señales biomédicas……………………………………………..…….16 1.1.3 Redes de asociación……………………………………………………………….....…...17 1.1.4 Hipótesis de trabajo…………………………………………………………..…………..18 1.1.5 Objetivos……………………………………………………………………………….….…..18 1.1.6 Relación de este TFG con del Grado en Administración y Dirección de Empresas……………………………………………………………………………………....19 1.1.7 Descripción de la memoria…………………………………………………………….19 CAPÍTULO 2: LA ENFERMEDAD DE ALZHEIMER………….…21 2.1 Introducción ...………………………………………………………………………..………..21 2.2 Evolución de la enfermedad…………………………………………………….………..22 2.3 Diagnóstico………………………………………………………………………………………24 2.4 Tratamiento……………………………………………………………………………………..26 CAPÍTULO 3: ELECTROENCEFALOGRAFÍA………………….….28 3.1 Introducción………………………………………………………………………..…………..28 3.2 Historia de la electroencefalografía…………………………………………...………29 3.3 Neurofisiología…………………………………………………………………………..…….30 _________3.3.1 Ritmos fisiológicos en la actividad eléctrica cerebral30 _________3.3.2 Adquisición del EEG……………………………………………………………………..32 _________3.3.3 Acondicionamiento de la señal34 3.4 Cambios en la señal del EEG como consecuencia de la EA....………………..34 CAPÍTULO 4: REDES DE ASOCIACIÓN………………….…………36 4.1 Situación actual del tema………………………………………………………………….36 4.2 Introducción a las redes de asociación………………………………………………37 CAPÍTULO 5: MATERIALES Y MÉTODOS………………………..40 5.1 Materiales……………………………………………………………………………………..…40 _________5.1.1 Sujetos…………………………………………………………………………………………40 _________5.1.2 Variables…………………………………………………………….………………………..41 5.2 Métodos……………………………………………………..……………………………………44 _________5.2.1 Modelos……………………………………………………………………………………….44 _________5.2.2 Sistema de clasificación………………………………………………………………..49 _________5.2.3 Análisis de estabilidad………………………………………………………………….55 16 tráfico mediante recomendaciones sobre el mantenimiento del permiso de conducir (Martin, Marottoli, and O’Neill 2013; Villarejo Galende et al. 2021). Por todo ello, encontrar formas de obtener un diagnóstico temprano debe ser una prioridad. Actualmente, el diagnóstico de la EA no es óptimo. La United Kingdom National Audit Office calcula que alrededor de la mitad de los casos de EA en Reino Unido no están diagnosticados (Livingston et al. 2020). En el resto del mundo occidental las cifras son muy similares y dificultan enormemente la puesta en marcha de las medidas y tratamientos requeridos (Livingston et al. 2020). El diagnóstico definitivo de la EA puede ser conseguido solamente mediante autopsia, siendo posible obtener únicamente un diagnóstico probable in-vivo (Jack et al. 2018). Esto se debe a que no existe un marcador específico de la enfermedad. Hay ciertos marcadores como la acumulación de β-amiloide y de proteína tau hiperfosforilada que distinguen a la EA del resto de enfermedades neurodegenerativas; sin embargo, muchos de los pacientes con estos marcadores nunca llegan a desarrollar la enfermedad (Jack et al. 2018; Livingston et al. 2020). Las técnicas actuales de diagnóstico, como la imagen por resonancia magnética (MRI), tomografía por emisión de positrones (PET) y el análisis del fluido cerebroespinal (CSF), son de difícil disponibilidad, tienen un coste elevado o son invasivas. Además, estas técnicas tienen una baja sensibilidad a la disfunción sináptica, una de las primeras manifestaciones de la enfermedad, haciendo difícil conseguir el tan crítico diagnóstico temprano (Rossini et al. 2020). Otra desventaja del diagnóstico actual es que los especialistas en neurología tienen que recurrir a numerosas evidencias para obtener un diagnóstico efectivo, lo que provoca que la identificación de la EA sea un proceso complejo con cierto grado de subjetividad. Parece obvia, por tanto, la necesidad de seguir investigando para encontrar nuevas técnicas que conduzcan a un diagnóstico más rápido, accesible, sencillo y preciso de la enfermedad. 1.2 Procesado de señales biomédicas Antes de comenzar a hablar sobre el procesado de señales biomédicas, es conveniente definir qué es una señal y, en concreto, qué es una señal biomédica. Una señal es una función de una o más variables que transmite información sobre la naturaleza de un fenómeno físico (Chakravorty 2018). En el caso particular de que el origen de esta señal radique en un sistema biológico y tenga fines diagnósticos o de monitorización, esta señal será considerada una señal biomédica (Cohen, 2006). Para entender correctamente por qué es necesario el procesado de señales biomédicas es conveniente recapitular un poco en la historia. En el pasado, el análisis de las señales biomédicas era realizado por los médicos mediante inspección visual, método poco objetivo, impreciso y complejo (Martí 1988). Por tanto, cuando los ordenadores llegaron al mundo de la medicina, el principal objetivo fue conseguir la automatización de este análisis. Con el paso del tiempo, este dejó de ser el objetivo primordial dado que los médicos seguían siendo quienes debían interpretar los resultados, no consiguiendo eliminar de esta manera el alto componente de subjetividad inherente al proceso. Esto hizo evidente que el 17 procesado de señales biomédicas debía ser la herramienta indispensable para la extracción de la información relevante contenida en las mismas (Carrión Pérez, Ródenas García, and Rieta Ibáñez 2007). Cuando se habla de procesado de señales biomédicas, se hace referencia al conjunto de técnicas y principios de la ingeniería aplicados en el control, modificación y entendimiento de sistemas biológicos, así como al diseño y la fabricación de sistemas de monitorización de funciones fisiológicas para la ayuda al diagnóstico y tratamiento de pacientes (Bronzino and Peterson 2018). El procesado de las señales biomédicas está compuesto por tres etapas principales (Poza Crespo 2008): 1. Obtención y registro de señales. 2. Procesado. 3. Clasificación. En este Trabajo Fin de Grado (TFG), la señal biomédica que se va a utilizar es la procedente del electroencefalograma (EEG). El EEG constituye, junto con el magnetoencefalograma (MEG), la técnica no invasiva más potente para el estudio de la dinámica electrofisiológica del cerebro; permite establecer una relación entre esta dinámica y las capacidades cognitivas o las enfermedades (Cohen, 2017). Teniendo en cuenta factores como el bajo coste, la fácil accesibilidad y la no invasividad del EEG, esta herramienta es el candidato más prometedor para la ayuda al diagnóstico de la EA (Rossini et al. 2020). 1.3 Redes de asociación Dada la heterogeneidad de la EA, para identificarla es necesario recurrir a un diagnóstico clínico, es decir, un diagnóstico elaborado a partir del estudio de los síntomas presentados por el paciente, una exploración neurológica y múltiples pruebas complementarias (N. Falgas, Barreiro, and Sanchez del Valle 2018a). En otras palabras, para obtener un diagnóstico efectivo, se requiere de una gran cantidad de evidencias: estudio del historial clínico y datos socio-demográficos, pruebas cognitivas y funcionales, análisis de la información genética y pruebas de neuroimagen, entre otras (Jack et al. 2018). Esto hace que la detección de la enfermedad sea un proceso complejo y con cierta subjetividad. Las redes de asociación constituyen una nueva herramienta que permite integrar información diversa y explorar las relaciones entre las distintas variables consideradas en un análisis (Borsboom 2017; Epskamp, Borsboom, and Fried 2018). En este tipo de redes, los nodos representan las distintas variables incluidas en el análisis, mientras que los ejes simbolizan las relaciones estadísticas entre estas variables (Epskamp, Borsboom, et al. 2018; Miraglia, Vecchio, and Rossini 2017). Con el ánimo de reducir el grado de complejidad y subjetividad inherente al diagnóstico de la EA, en este TFG se ha optado por objetivar las relaciones entre variables sociodemográficas, clínicas y procedentes del EEG mediante el uso redes de asociación. La relación entre las distintas variables ha sido cuantificada mediante el coeficiente de correlación de Pearson. La información de estas redes se resume 18 mediante matrices de correlación, donde el elemento aij es el coeficiente de correlación entre las variables i y j. Es por ello por lo que a menudo en este TFG se utilizan indistintamente los términos redes de asociación y matrices de correlación. 1.4 Hipótesis de trabajo En este TFG se parte de la hipótesis de que la EA es una enfermedad tan compleja que para poder obtener una detección precisa y precoz de la misma es necesario integrar información heterogénea que caracterice diferentes niveles de análisis: datos socio-demográficos, variables clínicas, factores ambientales y datos biológicos. Para ello, en el presente TFG se propone desarrollar una herramienta que sea capaz de describir las complejas relaciones entre las diversas variables consideradas. En concreto, se pretende construir redes de asociación que reflejen la evolución de la estructura de relaciones a lo largo de las diferentes etapas de la EA y estudiar si es viable obtener una herramienta de diagnóstico basada en las mismas que permita reducir el coste, la complejidad y el tiempo del diagnóstico actual. 1.5 Objetivos El objetivo principal de este TFG es el de desarrollar una herramienta en base a las asociaciones entre diferentes variables que permita determinar si un sujeto es patológico o no, o si padece DCL o EA y/o en qué grado, de forma sencilla, objetiva, económica, no invasiva y fácilmente escalable a toda la población de riesgo. Para ello, se proponen los siguientes objetivos secundarios: 1) Familiarizarse con la EA, el DCL y las técnicas de diagnóstico habituales. 2) Familiarizarse con el EEG y los cambios en la actividad cerebral que provoca la demencia por EA y el DCL. 3) Investigar sobre las redes de asociación como metodología innovadora para la integración de información diversa y exploración de relaciones entre variables. 4) Construir las redes de asociación relativas a la progresión de la EA a partir de las variables más habituales en el diagnóstico de la patología. Para la construcción de estas redes se empleará la base de datos del proyecto europeo ‘Análisis y correlación entre el genoma completo y la actividad cerebral para la ayuda al diagnóstico de la enfermedad del Alzheimer’ (Proyecto POCTEP 0378_AD_EEGWA_P). 5) Generar distintos modelos de clasificación de nuevos sujetos, evaluar su rendimiento mediante matrices de confusión y el coeficiente de kappa, y estudiar la estabilidad de las redes obtenidas. 6) Evaluar qué modelo satisface en mayor medida las necesidades actuales del mercado. 7) Extraer conclusiones y determinar limitaciones y líneas futuras. 19 1.6 Relación de este TFG con del Grado en Administración y Dirección de Empresas Con el objetivo de estudiar la viabilidad de comercializar y emplear en la práctica clínica la herramienta diagnóstica basada en redes de asociación y aunar los conocimientos adquiridos en ambos grados, de forma paralela a la realización de este TFG, se ha desarrollado el plan de negocio en el TFG correspondiente al Grado en Administración y Dirección de Empresas (ADE). Este TFG, tutelado por la Dra. Natalia Martín Cruz, lleva por título: Valorización de una herramienta de screening para el diagnóstico de la enfermedad del Alzheimer (SACREED). Por lo tanto, los dos TFGs correspondientes al programa conjunto de Grado en Ingeniería de Telecomunicaciones y Grado en Administración y Dirección de empresas están vinculados, recogiendo uno de ellos la propuesta para la comercialización de la herramienta y el otro el desarrollo técnico de esta. Con el objetivo de validar tanto el plan de negocio como la propuesta de valor ofrecida por esta tecnología se está llevando a cabo un estudio de mercado contactando a diversos profesionales de la EA. Entre estos profesionales se encuentran médicos, psicólogos y miembros de asociaciones de enfermos de la EA, entre otros. También se ha realizado una reunión con la presidenta de investigación y desarrollo del Grupo Recoletas. 1.7 Descripción de la memoria Esta memoria se encuentra estructurada en los 8 capítulos siguientes: • Capítulo 1: Introducción. En este primer capítulo se realiza una descripción general de la EA, del procesado de señales biomédicas y de las redes de asociación. También se establecen las hipótesis de partida y los objetivos a cumplir durante la realización de este TFG. • Capítulo 2: La enfermedad del Alzheimer. En el capítulo 2 de esta memoria se realiza una descripción más detallada de la EA, sus factores de riesgo, la evolución de la enfermedad y de su diagnóstico y tratamiento. • Capítulo 3: Electroencefalograma. En este capítulo se realiza un estudio del origen de la actividad eléctrica cerebral y de sus propiedades. Además, se aborda la técnica de registro de esta actividad y los cambios que se producen en ésta a consecuencia de la EA. • Capítulo 4: Redes de asociación. En este capítulo se introducen las redes de asociación. Se explica su versatilidad y su potencial como metodología de integración y análisis de grandes cantidades de datos. Además, se detalla como se aplicarán las redes de asociación para la ayuda al diagnóstico de la EA en el presente TFG. • Capítulo 5: Materiales y métodos. Se comienza este capítulo explicando la base de datos empleada y las variables incorporadas al análisis. Posteriormente, se detalla la metodología aplicada para la creación de las 20 redes de entrenamiento, así como los algoritmos desarrollados para la clasificación de los nuevos sujetos. También se relata cómo se ha llevado a cabo el análisis de estabilidad de las distintas redes. • Capítulo 6: Resultados. En este capítulo se realiza un análisis en profundidad de los resultados obtenidos. Se evalúan los distintos modelos de clasificación planteados y se identifican los más apropiados desde el punto de vista clínico y los que ofrecen mejores resultados. También se realiza una evolución del análisis de estabilidad de las redes de entrenamiento. • Capítulo 7: Discusión y limitaciones. En este capítulo se discuten los resultados obtenidos y la posible aplicación en el mercado actual. También se establecen las limitaciones y los posibles puntos de mejora de la herramienta desarrollada. • Capítulo 8: Conclusión y líneas futuras. Se finaliza la memoria del TFG señalando los aspectos más importantes de este trabajo, así como las posibles líneas futuras a abordar en nuevos estudios. • Bibliografía. Enumeración de las fuentes empleadas para la realización de esta memoria. 21 CAPÍTULO 2: LA ENFERMEDAD DE ALZHEIMER 2.1 Introducción La EA está caracterizada por la pérdida progresiva de memoria y el deterioro de otras funciones cognitivas (Rossini et al. 2020). Es el tipo de demencia más común en el mundo occidental y su prevalencia está creciendo considerablemente como resultado del envejecimiento de la población, debido el aumento de la esperanza de vida y a la disminución de mortalidad prematura (Livingston et al. 2020). Aunque la edad es el factor de riesgo principal de la EA, existen otros múltiples factores que influyen en el desarrollo de la enfermedad. Algunos de estos factores, según The Lancet Comission, son (Livingston et al. 2020): • Un nivel de educación bajo. Se ha demostrado que un alto nivel de educación reduce significativamente el riesgo de sufrir demencia. Las habilidades cognitivas aumentan con el nivel de educación, alcanzando su máximo en la adolescencia tardía, sin ganancias significativas a partir de los 20 años. Por ello, la estimulación cognitiva es de vital importancia en esta primera etapa del ciclo vital. • Hipertensión. La presencia de hipertensión persistente en la mediana edad trae consigo un mayor riesgo de sufrir demencia. Este riesgo es aún mayor si la hipertensión persiste en edades avanzadas. • Discapacidad auditiva. Se ha observado una mayor incidencia de la enfermedad en aquellas personas que padecen de discapacidad auditiva y no emplean audífonos. • Tabaquismo. Aunque existe un cierto sesgo en la relación entre tabaquismo y EA, dado que los fumadores tienen un mayor riesgo de muerte prematura y por lo tanto mayores probabilidades de fallecer antes de alcanzar la edad a la que desarrollarían la enfermedad, tienen más riesgo de padecer demencia que los no fumadores. Dejar de fumar, incluso en edades avanzadas, disminuye significativamente el riesgo de demencia. • Obesidad. Este es uno de los factores más preocupantes dado el aumento generalizado del índice de masa corporal (BMI) en la población mundial. La relación entre el aumento del BMI y el riesgo de demencia ha sido demostrada. Se estima que una pérdida de peso de 2 kilos o más en aquellos individuos con un BMI superior a 25 tiene asociado mejoras significativas de atención y memoria. 22 • Depresión. Aunque la depresión está asociada con la incidencia de demencia, también forma parte de las primeras manifestaciones de la enfermedad. • Sedentarismo. Las personas que practican ejercicio de forma regular tienen un menor riesgo de sufrir demencia. • Diabetes. El riesgo de demencia aumenta con la duración y severidad de la diabetes. • Bajo contacto social. Numerosos estudios concluyen que un menor contacto social tiene asociado un mayor riesgo de sufrir demencia. Existe cierto sesgo en esta afirmación dado que es importante tener en cuenta que un menor contacto social es también uno de los síntomas de la EA. • Alcoholismo. El exceso de alcohol genera cambios cerebrales, discapacidad cognitiva y demencia. • Contaminación del aire. Experimentos realizados en animales sugieren que partículas presentes en la contaminación del aire aceleran procesos neurodegenerativos, deposición de proteína beta-amiloide (Aβ) y procesamiento de proteínas precursoras de amiloide. • Traumatismo craneoencefálico. Existe una relación entre el traumatismo craneoencefálico y la deposición generalizada de tau hiperfosforilada. • Salud cardiovascular. El hipercolesterolemia, el nivel de glucosa en ayunas y la presión arterial traen consigo un mayor riesgo de EA. En este TFG, con el objetivo de obtener una mejor comprensión de la huella fisiológica de la enfermedad, se han explorado las relaciones entre varios de estos factores de riesgo y la evolución de la EA mediante el uso de redes de asociación. Estos factores son, en gran medida, modificables, y se estima que son los causantes de aproximadamente el 40% de los casos de demencia (Livingston et al. 2020). Por tanto, entender la relación entre estos factores y el desarrollo de la patología es crítico de cara a reducir la prevalencia de la enfermedad y retrasar el curso de esta (Livingston et al. 2020). 2.2 Evolución de la enfermedad La EA produce alteraciones tanto clínicas, a nivel cognitivo, conductual y funcional, como estructurales, a nivel macroscópico y neuroquímico (Poza Crespo 2008). En este apartado se va a analizar estas alteraciones en los distintos estadios de la enfermedad. • Fase preclínica. Se estima que los pacientes de EA conviven con la enfermedad unos 10 o 12 años, desde el desencadenamiento de la enfermedad hasta su muerte (Franco Macías et al. 2011). No obstante, la neurodegeneración comienza varios años antes de la manifestación de los primeros síntomas. Múltiples estudios han probado que sujetos perfectamente sanos con biomarcadores amiloides anormales tienen una progresión más rápida de atrofia, hipermetabolismo y deterioro clínico/cognitivo que el resto de los individuos. De hecho, muchos de los 23 individuos con estos biomarcadores son diagnosticados con demencia debida a EA unos 15 o 20 años más tarde (Jack et al. 2018). • Deterioro cognitivo leve. En esta fase previa a la EA se producen diferentes déficits cognitivos no atribuibles al envejecimiento normal que, sin embargo, no llegan a cumplir con los criterios de la EA (Blennow et al. 2006) . Aunque el DCL se caracteriza por ser heterogéneo, una de las manifestaciones típicas es la pérdida de memoria. Anualmente, entre el 10 y el 15% de los pacientes diagnosticados con DCL evolucionan a EA a un ritmo bastante acelerado en comparación a otros individuos sanos de su edad. En estos últimos, se estima que solo entre el 1% y el 2% desarrolla demencia por EA (Petersen et al. 1999). Esto, junto con el elevado número de alteraciones neuropatológicas y funcionales que tiene en común con la EA, hace que, aunque el DCL sea una patología independiente a la EA, se termine considerando como un estado de transición entre el envejecimiento normal y la EA (Blennow et al. 2006). • Enfermedad del Alzheimer. La EA es una enfermedad progresiva, es decir, los síntomas empeoran con el transcurso del tiempo (Johns Hopkins Medicine 2021). Aunque se trata de una enfermedad muy heterogénea, afectando a cada persona de forma diferente, suelen distinguirse tres estadios de progresión diferentes (Alzheimer’s Society 2021c). o Enfermedad del Alzheimer leve. Los síntomas principales de esta etapa son los problemas de memoria y los conflictos de distinto tipo (Donoso 2003). En cuanto a los problemas de memoria, lo más característico es la falta de memoria episódica reciente, el enfermo tiene problemas para recordar sucesos recientes o para recordar nombres de nuevas personas (Alzheimer’s Association 2018). En cuanto a los conflictos, el enfermo encuentra mayores dificultades para desempeñar tareas sociales o laborales, comienza a tener despistes o a cometer errores con frecuencia, recibiendo críticas de sus familiares o compañeros que angustian y deprimen al paciente (Alzheimer’s Association 2018; Donoso 2003). Otros síntomas pueden ser los problemas de orientación, problemas para medir distancias o cambios de humor e irritabilidad (Alzheimer’s Society 2021a). o Enfermedad del Alzheimer moderada. En esta etapa el enfermo necesita mayor ayuda para seguir con su vida diaria (Alzheimer’s Association 2018). Los problemas de memoria y de razonamiento se acentúan, el paciente encuentra dificultades a la hora de comunicarse, los problemas de orientación se vuelven más severos, el enfermo sufre de apatía, depresión y ansiedad y comienzan los delirios y alucinaciones (Alzheimer’s Society 2021b). En esta etapa pueden desarrollarse también algunos cambios físicos como por ejemplo los problemas para conciliar el sueño (Johns Hopkins Medicine 2021). 24 o Enfermedad del Alzheimer severa. En esta etapa el enfermo es totalmente dependiente y necesita cuidados de forma permanente, tanto con sus actividades diarias como con el cuidado personal (Alzheimer’s Association 2018). Algunos de los síntomas principales son los problemas de memoria, incapacidad para mantener una conversación, pérdida de muchas habilidades físicas básicas como andar, sentarse o tragar y pérdida de la noción de experiencias recientes y los hechos que las rodean y mayor vulnerabilidad a infecciones, especialmente neumonía (Alzheimer’s Association 2018; Johns Hopkins Medicine 2021). 2.3 Diagnóstico La EA, como enfermedad causante de varios cambios neuropatológicos, debe ser definida a través de biomarcadores in vivo y mediante autopsia post mortem (Budelier and Bateman 2020). Identificar la enfermedad por sus síntomas, como por ejemplo la demencia, no es una opción recomendable. En primer lugar, la demencia puede deberse a otras múltiples enfermedades, entre ellas la EA, y no puede considerarse como un signo axiomático de los cambios neuropatológicos que definen la enfermedad. Además, en esta definición de la EA basada en los síntomas no tienen cabida aquellos individuos que presentan cambios neuropatológicos debidos a la enfermedad, pero que aún no presentan ningún síntoma. Es obvio por tanto que los síntomas cognitivos no proporcionan una buena definición de la enfermedad (Jack et al. 2018). Por esta razón, los biomarcadores son esenciales para seguir la evolución biológica de la enfermedad y para obtener un diagnóstico temprano, incluso antes de la manifestación de los primeros síntomas (Rossini et al. 2020). Una vez llegada a la conclusión de que la aproximación más apropiada para definir la EA in vivo debería estar basada en cambios biológicos, es momento de ver cuáles son los biomarcadores que pueden emplearse y de qué técnicas se dispone en la actualidad para identificarlos. A día de hoy, no se ha encontrado aún un marcador que sea específico de la enfermedad, razón por la cual no puede lograrse el diagnóstico definitivo in vivo (Budelier and Bateman 2020). Uno de los marcadores de degeneración ligado a la demencia más utilizado es la pérdida de volumen cerebral, que puede ser analizado mediante el uso de técnicas por imagen, como es la MRI (Rossini et al. 2020). En cuanto a los marcadores moleculares, los más estudiados han sido las Aβ y tau (Rossini et al. 2020). La presencia de estos marcadores puede ser detectada mediante el uso de PET y el análisis del CSF (Rossini et al. 2020). Normalmente, el diagnóstico actual se lleva a cabo combinando varias de estas pruebas, haciendo que sea un proceso costoso, invasivo y de difícil accesibilidad a toda la población de riesgo. El MRI es una herramienta no invasiva que permite llevar a cabo investigaciones anatómicas y funcionales del cerebro, permitiendo detectar anomalías macroscópicas en el tejido cerebral (Bozzali, Serra, and Cercignani 2016). Se utiliza habitualmente en el diagnóstico del Alzheimer para excluir otras causas 25 de demencia como puede ser un tumor cerebral, hidrocefalia normotensiva, hematoma subdural o encefalopatía cerebrovascular (Rossini et al. 2020). El acceso a esta herramienta no es sencillo, dado que únicamente se disponen de 664 equipos en la sanidad pública en todo España, 37 de los cuales se encuentran en Castilla y León (Ministerio de Sanidad 2016). Esta herramienta se utiliza para el diagnóstico de otras múltiples enfermedades y patologías, haciendo que este número tan bajo de dispositivos no sea suficiente para abastecer la demanda y se generen largas listas de espera (Martínez-Lage et al. 2018). Como consecuencia de esto, solo tienen acceso a esta prueba diagnóstica un número muy limitado de los pacientes de EA tras la lista de espera, haciendo difícil conseguir el tan necesario diagnóstico temprano. Además, los costes asociados a esta técnica de diagnóstico son elevados. En primer lugar, el coste de adquisición del equipo es alto; por ejemplo, el nuevo equipo adquirido para el Hospital de Badajoz ha supuesto una inversión pública de 942000 euros (Anon 2020). A este coste de adquisición hay que sumarle los del personal especializado en radiología necesario. El PET es una herramienta de diagnóstico que permite detectar cambios metabólicos en el tejido cerebral y detectar desde etapas tempranas patrones de hipometabolismo en aquellos individuos que sufren demencia degenerativa (Iaccarino et al. 2017). Además, se han desarrollado nuevas radiosondas que permiten detectar características patológicas peculiares de la neurodegeneración, por ejemplo, para detectar las proteínas Aβ y tau. Al igual que ocurre con el MRI, el número de equipos disponibles es muy bajo; además es una técnica invasiva, ya que requiere de la inyección de radiofármacos (Martínez-Lage et al. 2018). Todo esto hace que solo aquellos pacientes con un cuadro atípico de la enfermedad sean sometidos a esta prueba. A nivel nacional se cuentan con 84 equipos, 2 de ellos en la comunidad de Castilla y León (Ministerio de Sanidad 2016). Además, los costes asociados a esta tecnología son también elevados. En el caso particular de Castilla y León, uno de los equipos para la exploración por tomografía por emisión de positrones-tomografía computarizada (PET-TC) pertenece al Hospital Universitario de Burgos y su precio de adquisición fue de dos millones de euros; precio que no incluye los costes que se incurrieron para poder llevar a cabo las adaptaciones necesarias, como fue la construcción de zonas blindadas a la radiación de los espacios requeridos para la manipulación de radioisótopos, que se contabilizaron en algo menos de 400000 euros (Anon n.d.). El otro PET-TAC se encuentra en el Hospital de Salamanca y su coste fue de tres millones de euros, teniendo en consideración los costes derivados de la contratación de dos médicos, dos técnicos de imagen, dos enfermeros, un auxiliar administrativo y un auxiliar de clínica, profesionales necesarios para poder poner en marcha el equipo («La Tomografía PET/TAC Ya Ha Ahorrado Dos Millones de Euros Al Sacyl» | El Norte de Castilla, 2014) En los Estados Unidos de América se estima que el coste de la realización de esta prueba ronda los 3000 dólares. Por último, el análisis del CSF permite detectar marcadores tanto específicos como no específicos de la EA. Los que han demostrado ser más útiles para el diagnóstico de la enfermedad han sido los que dan cuenta de los niveles de proteínas T-tau, P-tau y Aβ42 (Blennow et al. 2006). Estos biomarcadores reflejan los tres 32 Por último, los ritmos gamma se caracterizan por tener una frecuencia superior a los 30 Hz y aparecen en las zonas frontal y central del cerebro. Este tipo de ondas son consideradas un buen indicador de la sincronización relacionada con eventos del cerebro (Sanei and Chambers 2007). En la figura 1 se muestran los ritmos cerebrales principales con sus niveles de amplitud habituales. 3.3.2 Adquisición del EEG El EEG es una de las técnicas principales para el estudio de cambios funcionales y fisiológicos del cerebro ya que se trata de una herramienta no invasiva, indolora y de bajo coste. Para su realización, es necesaria la colocación de varios electrodos sobre el cuero cabelludo. Cuantos más electrodos se utilicen, mayor será la resolución espacial, pero el volumen de datos a manejar se incrementará notablemente; esto implica un aumento sustancial de la carga computacional y un mayor coste computacional. Por ejemplo, si se realiza un registro durante una hora utilizando 128 electrodos y una frecuencia de muestreo de 500 muestras/segundo y se codificara las muestras con 16 bits se necesitará 128 × 60 × 60 × 500 × 16 ≃ 3,68 Gbits (Sanei and Chambers 2007), cifra que se vería reducida a la mitad si en lugar de 128 electrodos utilizásemos 64. En 1947, durante el Primer Congreso Internacional de la Federación de EEG celebrado en Londres, se expuso la necesidad de establecer un convenio para estandarizar la colocación de los electrodos sobre el cuero cabelludo para el registro de la actividad eléctrica cerebral (Klem et al. 1999). Esta tarea fue encomendada al doctor Herbert Henri Jasper, quien dos años más tarde, en el Segundo Congreso Internacional de la Federación de EEG celebrado en París, presentó el sistema internacional 10-20 (Klem et al. 1999). Este nombre es debido a que, según este Figura 1: Ritmos cerebrales principales (Siuly et al., 2016). 33 sistema, los electrodos deben estar separados entre el 10% y el 20% de la distancia total comprendida entre los puntos de referencia del cráneo. Estos puntos son nasión, inión y puntos preauriculares (Anon n.d.; Talamillo García 2011). Encontramos una representación de este esquema en la figura 2. La nomenclatura de los electrodos (ver figura 2) viene dada por una combinación de letras y números. Las letras dan cuenta la región cerebral sobre la que se coloca el electrodo: Fp (región fronto-polar), F (lóbulo frontal), T (lóbulo temporal), C (lóbulo central), P (lóbulo parietal) y O (lóbulo occipital) (Anon n.d.). Por otro lado, el número hace referencia a la posición de los electrodos, incrementándose al movernos desde las zonas anteriores a las posteriores. Cabe señalar además que los electrodos que se colocan sobre el lado derecho tienen asociada una numeración par, estando reservados los números impares para los del lado izquierdo (Talamillo García 2011). En la actualidad se emplean gorros de electrodos ya colocados siguiendo este sistema como el de la figura 3. Una vez colocado este gorro sobre el cuero cabelludo del paciente, el personal de enfermería procede a inyectar en cada uno de estos electrodos el gel conductor (Talamillo García 2011). Figura 2: Diagrama sistema 10-20 (Manual Sistema 10/20 Internacional, n.d.). Figura 3: Gorro con electrodos ya incorporados para la realización del EEG (Talamillo García, 2011). 34 Se distinguen dos tipos montajes: bipolar y referencial. La diferencia entre ellos radica en que para el bipolar la diferencia de voltaje es registrada entre dos electrodos dispuestos sobre áreas de actividad cerebral, mientras que en el referencial la diferencia de potencial registrada es entre un electrodo colocado en una zona de actividad cerebral y un segundo electrodo ubicado en una zona eléctricamente inactiva (lóbulo de la oreja o mentón, típicamente) o el promedio de todos o parte de los electrodos activos (Ramos-Argüelles et al. 2009). 3.3.3 Acondicionamiento de la señal La señal cruda del EEG tiene una amplitud del orden de los µV. Para poder extraer la información efectiva es necesario amplificar la señal antes de realizar la conversión analógico-digital y realizar un filtrado del ruido para conseguir señales adecuadas para el procesamiento y visualización (Sanei and Chambers 2007). 3.4 Cambios en la señal del EEG como consecuencia de la EA Obtener un diagnóstico de la EA es complicado y muchos de sus primeros síntomas son confundidos con el envejecimiento normal (Dauwels, Vialatte, and Cichocki 2011). Como se ha indicado previamente, el diagnóstico de la EA es clínico, en otras palabras, los especialistas realizan su diagnóstico en base a los síntomas que presenta el paciente, la exploración neurológica y otras pruebas recogidas en el consenso médico vigente (N. Falgas et al. 2018a). Algunas de las pruebas llevadas a cabo durante el proceso diagnóstico son el Mini-Mental State Examination (MMSE), análisis de sangre, análisis del CSF, examinación neurológica o técnicas de imagen (Weiner 2009). El EEG no se encuentra en ninguna de las guías de diagnóstico internacionales (Babiloni et al. 2020). Sin embargo, en los últimos años, numerosos grupos de investigación han centrado sus esfuerzos en estudiar cómo utilizar todo el potencial ofrecido por el EEG en el diagnóstico de la EA. La pérdida y disfunción sináptica son eventos tempranos en la progresión de la EA, por lo tanto, las medidas de déficits funcionales cerebrales son posibles marcadores tempranos de la enfermedad (Smailovic and Jelic 2019). La electroencefalografía es un método diagnóstico no invasivo y ampliamente disponible que proporciona información directa sobre la actividad sináptica del cerebro en tiempo real (Smailovic and Jelic 2019). Además, es una técnica menos costosa que la mayoría de las disponibles en la actualidad (Rossini et al. 2020). Esto, junto a su portabilidad convierten al EEG en el candidato perfecto a herramienta de screening a gran escala de la población de riesgo de EA (Rossini et al. 2020). Obtener una herramienta que permita realizar diagnósticos masivos en la población desde el inicio de la enfermedad facilitaría en gran medida conseguir el tan necesario diagnóstico temprano de la enfermedad. Los tres cambios principales observados al comparar los registros de pacientes cognitivamente sanos con aquellos que sufren la enfermedad son la 35 ralentización, la pérdida de complejidad y la presencia de perturbaciones en la sincronía de la señal del EEG (Torres-Rodríguez and Álvarez Velasco 2020). • Ralentización del EEG. En el epígrafe 3.3 Neurofisiología, se han estudiado las distintas bandas de frecuencia de interés del EEG. La EA y el DCL parecen afectar a estas bandas de forma diferente, estando estas patologías relacionadas con un incremento en la potencia y amplitud de las bandas de baja frecuenta (delta y zeta) y un decremento en las de alta frecuencia (alfa y beta) (Torres-Rodríguez and Álvarez Velasco 2020). Estos cambios tienen lugar de forma gradual con el avance de la enfermedad, produciéndose en primer lugar un incremento de la potencia en las bandas zeta y beta y en segundo lugar un decremento de la potencia en las bandas alfa y beta (Babiloni et al. 2020). • Reducción de la complejidad/irregularidad de la señal del EEG. Los recientes avances en los métodos analíticos no lineales para la electroencefalografía han corroborado la reducción de la complejidad de las dinámicas espaciotemporales en el cerebro con el progreso de la EA (Nobukawa et al. 2019). Esta reducción de complejidad de la señal del EEG puede medirse mediante la entropía wavelet o con la entropía muestral (Santos Toural, Montoya Pedrón, and Marañón Reyes 2021). Una posible explicación de la pérdida de complejidad podría ser que, al producirse una pérdida de neuronas y perturbaciones en el acoplamiento funcional y anatómico como consecuencia de la EA y DCL, menos neuronas interactúan entre sí y los patrones de actividad neuronal y dinámica se vuelven más simples y predecibles (Dauwels, Vialatte, and Cichocki 2010). Es posible además que este fenómeno esté estrechamente ligado con la ralentización de la señal, puesto que las señales más lentas son intrínsecamente más regulares (Dauwels et al. 2010). • Perturbaciones en la sincronía de la señal del EEG. Las perturbaciones en la sincronía de la señal del EEG es otro de los cambios que experimentan los sujetos patológicos frente a los adultos cognitivamente sanos de su misma edad (Torres-Rodríguez and Álvarez Velasco 2020). Una de las medidas más empleadas para medir estas perturbaciones es la coherencia (Torres-Rodríguez and Álvarez Velasco 2020). Este parámetro mide la consistencia de fase entre dos señales de dos canales distintos para cada banda de frecuencia (Smailovic and Jelic 2019). Los enfermos de EA presentan valores de coherencia inferiores a los de los sujetos sanos para todas las bandas, especialmente en las bandas alfa y beta (Babiloni et al. 2020). 36 CAPÍTULO 4: REDES DE ASOCIACIÓN 4.1 Situación actual del tema La frase “vivimos en un mundo conectado” quizá sea la que mejor capture el por qué las redes han ido cobrando cada vez mayor interés en los últimos años (Kolaczyk and Csárdi 2020). Desde las redes sociales como Facebook hasta la Web y el Internet, estamos rodeados de ejemplos de formas en las que interaccionamos entre nosotros (Kolaczyk and Csárdi 2020). De un modo similar, estamos conectados a nivel de varias instituciones (gobiernos), procesos (economías) e infraestructuras (la red global de aerolíneas). Los seres humanos no somos los únicos que formamos parte de sistemas complejos e interconectados (Kolaczyk and Csárdi 2020). Observando el mundo que nos rodea, es posible apreciar gran variedad de ejemplos de estos sistemas, desde ecosistemas enteros, hasta redes alimentarias biológicas, colecciones de genes que interactúan entre sí o neuronas que se comunican entre ellas (Kolaczyk and Csárdi 2020). El auge de internet y el acceso a ordenadores potentes y económicos han permitido recopilar y analizar datos de red a gran escala, así como desarrollar gran variedad de nuevas herramientas teóricas para la extracción de información a partir de redes de distintos tipos (Newman 2010). Esto ha convertido a las redes en la herramienta interdisciplinar que ha permitido lograr grandes avances en múltiples campos, desde las ciencias de computación a la biología, la psicología o las redes sociales (Newman 2010). Uno de los campos que se ha aprovechado de estos avances es el campo de la psicología (Borsboom and Cramer 2013; Cramer et al. 2010). En este ámbito estas innovadoras técnicas han sido empleadas para estudios en temas tan diversos como el efecto de la salud sobre la calidad de vida (Kossakowski et al. 2016), la psicopatología (Borsboom and Cramer 2013) o la psicosis (Jimeno et al. 2020). En cuanto al estudio de la calidad de vida, se parte de una red para pacientes con cáncer, otra para sujetos sanos y otra que combina ambos tipos de sujetos. Comparando y analizando las estructuras de estas redes, el estudio llega a la conclusión de que mantener una rutina diaria se traduce en una mejor calidad de vida, independientemente de la salud física (Kossakowski et al. 2016). Con respecto a la psicopatología, Borsboom y Cramer sostienen que los trastornos mentales son el resultado de la iteración causal entre síntomas (preocupación → insomio → fatiga) que posiblemente se realimentan entre ellos (consumir drogas para olvidar los problemas derivados del consumo de drogas) (Borsboom and Cramer 2013). Estudiando las distintas redes de síntomas, Borsboom y Cramer tratan de construir modelos de simulación que imiten las dinámicas e interacciones entre estos síntomas (Borsboom and Cramer 2013). Por último, en cuanto al uso de estas innovadoras técnicas en el ámbito de la psiquiatría, Jimeno et al. emplean redes de 37 asociación para identificar los síntomas principales a tratar en la psicosis temprana o sospechada (Jimeno et al. 2020). Los avances en las técnicas de análisis de redes también han sido de gran utilidad en el diagnóstico de distintas enfermedades, como la epilepsia (Drenthen et al. 2018). En este estudio se construyen redes de covarianza estructural a nivel de grupo para sujetos con convulsiones focales y controles. Mediante el análisis de estas redes, siguiendo la metodología de add-one-patient, el estudio concluye que las correlaciones entre las variaciones interregionales del grosor cortical reflejan características y respuestas de la enfermedad, así como los déficits en pacientes con epilepsia y convulsiones focales (Drenthen et al. 2018). Otro ejemplo del uso de estas nuevas técnicas son las redes genéticas (Gutiérrez-Díez et al. 2021). Este estudio investiga el papel de las interacciones entre genes, empleando teoría de grafos y de información, análisis de redes de coexpresión diferencial y análisis de regresión múltiple, en la protección contra el cáncer de mama. El estudio concluye que el pecho de las mujeres que han dado a luz presentan más módulos en las redes, con una mayor densidad y una estructura genómica que realiza funciones adicionales y más complejas (Gutiérrez-Díez et al. 2021). 4.2 Introducción a las redes de asociación Las redes de asociación son un tipo de redes en el que los nodos vienen dados por las variables que se incluyen en un análisis y los enlaces representan algún tipo de relación estadística entre estas variables (Epskamp, Borsboom, et al. 2018). Estas redes ofrecen gran potencial como herramienta de integración de información y exploración de las relaciones entre diversas variables. En el marco de este TFG, la relación estadística empleada para representar los enlaces entre los distintos nodos ha sido el coeficiente de correlación de Pearson. Este tipo particular de redes de asociación se conocen como redes de correlación. La información proporcionada por estas redes puede ser resumida mediante matrices de correlación, donde el elemento aij es el coeficiente de correlación entre las variables i y j. Si se desea incorporar el efecto de una tercera o más variables en la correlación entre dos variables, en lugar del coeficiente de correlación deben emplearse correlaciones parciales (Vinuesa 2016). Entre las múltiples ventajas de las redes de asociación se encuentra su gran potencial para integrar información de distinto tipo para poder extraer conclusiones acerca de las relaciones entre múltiples variables. Además, esta metodología es muy versátil, pues como se ha visto a lo largo de este capítulo puede ser empleada en para finalidades muy variadas, desde obtener la huella fisiológica de una enfermedad hasta modelar el comportamiento de un ecosistema. Entre las limitaciones se destaca que una vez computadas la distintas redes, la extracción de información a partir de ellas no siempre es inmediata. Se requiere del diseño e implementación de distintos algoritmos y/o el cálculo de diversos parámetros de red. El algoritmo implementado para la obtención de un diagnóstico 38 para al EA desarrollado en este TFG se explica en el apartado 5.2.2 Sistema de clasificación. Sin embargo, hasta encontrar el algoritmo que ofrecía resultados aceptables se han realizado múltiples pruebas con otros algoritmos (leave-one out, add-one patient, entre otros). Existen múltiples softwares y herramientas disponibles para el cómputo y análisis de estas redes. Las empleadas en la elaboración de este TFG han sido Gephi, Matlab y R. Gephi es el software líder para la visualización y análisis de todo tipo de gráficos y redes (Gephi n.d.). Se trata de un software de código abierto y gratuito con un motor redenrizado 3D con el que muestra gráficos en tiempo real (Bastian, Heymann, and Jacomy 2009). Esta herramienta permite a los usuarios estudiar las propiedades de gráficos y redes en detalle. Gephi soporta prácticamente cualquier tipo de redes, incluyendo redes complejas, redes jerárquicas, redes dinámicas y redes temporales (Khokhar 2015). Ha sido desarrollado en Java, por lo que es una aplicación multiplataforma que puede ser usada en cualquier sistema operativo (Khokhar 2015). En este TFG ha sido de gran utilidad para obtener una representación visual de la estructura de asociaciones de las distintas redes, representando con un mayor grosor aquellas correlaciones más significativas. Aunque Gephi ofrece múltiples opciones de layout, para la disposición de los nodos, el empleado en este TFG ha sido el algoritmo Fruchterman-Reingold, uno de los más frecuentes. Este algoritmo propuesto por Fruchterman y Reingold en 1991 está fundado en la física de partículas (Fruchterman and Reingold 1991). Este algoritmo se basa en la analogía de enlaces como muelles y nodos como fuerzas que se repelen, independientemente de que estén conectados o no. El algoritmo emplea un proceso iterativo para ajustar la disposición de los nodos de forma que se minimice la energía del sistema (Hansen et al. 2020; Ridao, Doorn, and Kaplan n.d.). Matlab es un lenguaje de programación cuyo nombre proviene de Matrix Laboratory, pues su tipo de dato básico es la matriz. Esta herramienta es utilizada para una gran variedad de fines: desarrollo e implementación de algoritmos, modelado y simulación, representación de gráficos y análisis y procesamiento de datos, entre otros (Gilat 2006). El programa estándar proporciona una serie de funciones que pueden ser utilizadas para los problemas más comunes. Sin embargo, a mayores de estas funciones estándar, Matlab incorpora una serie de librerías conocidas como toolbox para la resolución de problemas más específicos (Gilat 2006). Uno de los toolbox más interesantes para el análisis y modelado de datos es Statistics and Machine Learning Toolbox, que incluye funciones para estadística descriptiva, visualización y agrupación para el análisis exploratorio de datos y comprobaciones de hipótesis, entre otros (Matlab 2015). En último lugar R es un entorno de software libre y un lenguaje de programación interpretado empleado para la computación estadística y gráfica (The R Foundation 2018). De forma similar a los toolbox de Matlab, en R se emplean paquetes. Estos paquetes son las unidades fundamentales de código R reproducible (Zucchini, MacDonald, and Langrock 2018). Incluyen funciones R reutilizables, la documentación que describe como usarlas y datos de muestra (Zucchini et al. 2018). 39 Para el análisis y visualización de redes, dos de los paquetes más útiles son qgraph y igraph. Qgraph es un paquete que proporciona una interfaz para la visualización de datos mediante técnicas de modelado de redes (Epskamp et al. 2012). Este paquete se diferencia de otros diseñados para la visualización y análisis de redes como network, statnet o igraph en que ha sido desarrollado específicamente para la visualización de datos estadísticos (Epskamp et al. 2012). Algunas de las funciones que se incluyen en este paquete son centrality (computa y devuelve el grado, closeness, betweenness, la longitud de camino más corta, y la longitud de camino más corta entre cada par de nodos de la red), clustcoef_auto (devuelve el coeficiente de agrupamiento) o cor_auto (que computa de forma automática una matriz de correlación para los datos de entrada) (Epskamp et al., 2018). Igraph es un paquete que contiene rutinas para gráficos simples y análisis de redes (Csardi 2015). Este paquete puede manejar gráficos grandes muy bien y proporciona funciones para generar gráficos aleatorios y regulares, representación y visualización de gráficos, métodos de centralidad y mucho más (Csardi 2015). Algunas de las funciones de este paquete son centr_betw (centraliza un grafo en función del betweenness de sus vértices), plot.igraph (para representar gráficos) o transitivity (mide las probabilidad de que los vértices adyacentes de un vértice estén conectados) (Csardi 2015). 40 CAPÍTULO 5: MATERIALES Y MÉTODOS 5.1 Materiales Los datos empleados para la realización de este TFG han adquiridos en el marco del proyecto europeo ‘Análisis y correlación entre el genoma completo y la actividad cerebral para la ayuda en el diagnóstico de la enfermedad del Alzheimer’ (Proyecto POCTEP 0378_AD_EEGWA_2_P). Este epígrafe se encuentra dividido en dos apartados. En el primero de ellos se introducirán las características de los sujetos que componen la base de datos (BBDD). En el segundo apartado se definirán las variables de esta BBDD que van a ser empleadas para la construcción de las redes de asociación. 5.1.1 Sujetos La BBDD de partida cuenta con: • 51 controles cognitivamente sanos de edad avanzada (C). • 51 enfermos con DCL. • 150 enfermos con EA que se dividen a su vez en: o 50 enfermos con EA leve (MIL). o 50 enfermos con EA moderada (MOD). o 50 enfermos con EA severa (SEV). Todos los sujetos incluidos en la BBDD residían en el norte de Portugal y en Catilla y León. En la tabla 2 se encuentra un resumen estadístico de los datos sociodemográficos y clínicos más representativos, edad, sexo, educación y MMSE, para lograr una mejor comprensión de la distribución de los distintos grupos considerados. 41 5.1.2 Variables En cuanto a los datos de esta BBDD incluidos en el análisis, tenemos datos socio-demográficos, clínicos y neurofisiológicos calculados a partir de la actividad EEG. • Variables sociodemográficas. En el punto 2.1 Introducción de este TFG se han analizado varios de los factores de riesgo más relevantes en el desarrollo y progresión de la EA. Estos factores de riesgo son responsables de hasta el 40% de los casos de demencia en todo el mundo (Livingston et al. 2020). Por esta razón, con el objetivo de explorar las relaciones entre los factores de riesgo y la evolución de la enfermedad, se ha decidido incluir en el análisis las siguientes variables socio-demográficas: o Edad: edad que tenían los sujetos cuando su información fue incorporada a la BBDD. o Sexo: sexo del sujeto, puede ser femenino o masculino. o Educación: nivel de educación máximo alcanzado por el sujeto. Se distinguen dos tipos de sujetos: sujetos que han finalizado estudios superiores y sujetos que han completado estudios primarios o inferiores. Tabla 2: Datos socio-demográficos y clínicos más representativos de la base de datos empleada (a) sujetos patológicos y no patológicos, (b) DCL y EA y (c) EA MIL, EA MOD, EA SEV. SD: standard deviation, desviación estándar. IQR: interquartile range, rango intercuartil. M: masculino, F: femenino, A: Educación primaria o inferior. B: estudios secundaria o superior. 48 Para cada uno de estos modelos planteados hasta el momento se distinguen dos variaciones distintas, una de ellas incluyendo el MMSE y otra sin incluirlo. Como se ha mencionado en el apartado anterior, el MMSE es una prueba de cribado de demencia universal. El MMSE presenta grandes ventajas como su rapidez o su bajo coste. Sin embargo, presenta también una serie de limitaciones: los resultados dependen en gran medida del nivel educacional del sujeto (Schmand et al. 1995), la edad, el bagaje cultural, delirios o depresión (Galea and Woodward 2005). Además, se puede dar el caso de sujetos que no sepan o no puedan escribir o que los resultados se vean condicionados por los nervios del paciente. Por esta razón, con el objetivo de estudiar bajo qué circunstancias es posible prescindir del MMSE, se ha decido construir las redes considerando y sin considerar esta variable. En función de los distintos estadios de la enfermedad que se pretenda caracterizar se distinguen 4 modelos: • Sujetos no patológicos vs. Sujetos patológicos. En este modelo se pretende caracterizar las asociaciones entre las variables incluidas en el análisis para sujetos no patológicos y sujetos patológicos, es decir, sujetos que padezca DCL o EA en cualquier grado. Este modelo puede ser de gran utilidad a la hora de desarrollar una herramienta de screening que pueda ser usada por los médicos de familia para realizar un primer cribado y determinar si un sujeto no sufre de ninguna de estas patologías o si, por el contrario, debe someterse al costoso y complejo diagnóstico tradicional para determinar el grado de afectación. • Controles vs. EA. Este modelo trata de definir las asociaciones entre distintas variables para sujetos sanos y sujetos que padezcan EA en cualquier grado. Desde el punto de vista del desarrollo de una herramienta diagnóstica, ante resultados similares, el modelo anterior resultaría más interesante al incluir en el análisis a los sujetos que padecen DCL. • Controles vs. DCL vs. EA. Este modelo trata de objetivar las relaciones para sujetos sanos, sujetos que padecen DCL y enfermos de EA en cualquier grado. Una herramienta diagnóstica basada en este modelo permitiría distinguir entre sujetos sanos, sujetos que padecen demencia y sujetos que sufren EA de una forma económica y sencilla. Solo se precisaría de pruebas a mayores para determinar el grado de afectación de la enfermedad en el caso de pacientes de EA. • Controles vs. DCL vs. EA MIL vs. EA MOD vs. EA SEV. Este es el modelo más completo de los presentados con anterioridad, objetivando las relaciones entre variables para todas las etapas de la enfermedad. Una herramienta diagnostica construida en base a este modelo permitiría realizar un diagnóstico completo sin necesidad de recurrir al caro y complejo diagnóstico tradicional. 49 5.2.2 Sistema de clasificación Para todos los modelos especificados en el apartado inmediatamente anterior se ha empleado la misma metodología. Para una mayor comprensión del algoritmo implementado, se acompaña esta sección de figuras esquematizando los distintos pasos para el caso concreto del modelo Sujetos no patológicos vs. Sujetos patológicos ampliado sin MMSE. En primer lugar, como se muestra en la figura 5, se han dividido de forma aleatoria los sujetos disponibles en la base de datos en dos grupos. Por un lado, los denominados sujetos de entrenamiento que son aquellos sujetos que se emplearán para construir las redes de entrenamiento. Por otro lado, los sujetos de test son los sujetos que se usarán para probar el sistema de clasificación. Con el objetivo de que las redes dentro de un mismo modelo de clasificación estuviesen formadas por el mismo número de sujetos, se ha determinado el número de sujetos para el grupo de entrenamiento y de sujetos para el grupo de test de acuerdo con la tabla 6. Figura 5: Separación de sujetos en sujetos de entrenamiento y sujetos de test C vs. Sujetos patológicos C vs. EA C vs. DCL vs. EA C vs. DCL vs. EA MIL vs. EA MOD vs. EA SEV Total C entrenamiento 40 39 39 40 51 C test 11 12 12 11 DCL entrenamiento 10 - 39 40 51 DCL test 41 - 12 11 EA MIL entrenamiento 10 13 13 40 50 EA MIL test 40 37 37 10 EA MOD entrenamiento 10 13 13 40 50 EA MOD test 40 37 37 10 EA SEV entrenamiento 10 13 13 40 50 EA SEV test 40 37 37 10 Tabla 6: Número de sujetos base y sujetos prueba para cada modelo de clasificación considerado 50 Una vez establecidos qué sujetos van a emplearse para construir las redes de asociación y qué sujetos serán los utilizados para evaluar la capacidad de clasificación, se ha procedido a calcular las redes para cada posible grupo, como se observa en la figura 6. Para cada modelo se han creado las siguientes redes: • Sujetos no patológicos vs. Sujetos patológicos. o Red de entrenamiento de controles. o Red de entrenamiento de sujetos patológicos. • Controles vs. EA. o Red de entrenamiento de controles. o Red de entrenamiento de pacientes con EA. • Controles vs. DCL vs. EA. o Red de entrenamiento de controles. o Red de entrenamiento de pacientes con DCL. o Red de entrenamiento de pacientes con EA. • Controles vs. DCL vs. EA MIL vs. EA MOD vs. EA SEV. o Red de entrenamiento de controles. o Red de entrenamiento de pacientes con DCL. o Red de entrenamiento de pacientes con EA MIL. o Red de entrenamiento de pacientes con EA MOD. o Red de entrenamiento de pacientes con EA SEV. Las redes de entrenamiento han sido calculadas a partir del coeficiente de correlación de Pearson entre cada par de parámetros considerados en el análisis. Las correlaciones entre estos parámetros difieren significativamente de un grupo a otro, lo que se traduce en huellas o redes de asociación características para cada uno de ellos. Es precisamente en base a estas diferencias entre redes cómo se ha diseñado el algoritmo de clasificación aquí presentado. Figura 6: Creación de las redes de entrenamiento para los sujetos no patológicos y patológicos 51 Cuando se desea determinar a qué grupo pertenece un nuevo sujeto, se añaden los datos de este sujeto a los de los sujetos de entrenamiento de cada grupo y se vuelven a calcular las distintas redes de asociación. Se obtiene por tanto una nueva red de asociación para cada grupo, integrando los datos de todos los sujetos que formaban inicialmente la red de entrenamiento y los del nuevo sujeto. Este proceso se encuentra representado en la figura 7. Comparando estas nuevas redes con las redes de entrenamiento de partida como se muestra en la figura 8, es posible obtener la contribución individual del nuevo sujeto a cada una de ellas. Esta contribución individual refleja el impacto de añadir este sujeto a la configuración de cada una de las redes originales. Con el objetivo de cuantificar esta contribución se ha empleado el test de Mantel. El test de Mantel (Mantel 1967) fue diseñado por Nathan Mantel en 1967 para determinar la relación entre dos matrices de correlación. Al igual que el coeficiente de correlación de Pearson, el test de Mantel puede tomar valores comprendidos en el intervalo [-1,1]. Los valores cercanos a -1 son indicativos de una relación negativa mientras que valores cercanos a 1 reflejan una relación positiva. Por otro lado, valores próximos a 0 se traducen en una ausencia de relación entre ambas matrices (Saggar et al. 2015). La fórmula correspondiente al test de Mantel es: Figura 7: Diagrama de flujo de la adición de un nuevo sujeto a las redes de entrenamiento para el modelo sujetos no patológicos vs. patológicos ampliado sin MMSE 52 𝑀𝑎𝑛𝑡𝑒𝑙 𝑇𝑒𝑠𝑡 𝑟(𝑋,𝑌)=1 𝑛⋅𝑛−1∑∑𝑥𝑖𝑗−𝑥 𝑆𝑥 𝑛 𝑗=1 𝑛 𝑖=1 ⋅𝑦𝑖𝑗−𝑦 𝑠𝑦 (1) donde 𝑥𝑖𝑗 y 𝑦𝑖𝑗 corresponden al elemento de la fila i y columna j, 𝑆𝑥 y 𝑆𝑦 son las desviaciones estándar, 𝑥 y 𝑦 las medias de las matrices de correlación y n es el número de filas/columnas de las matrices de correlación X e Y, respectivamente. La contribución de un sujeto prueba k a cada una de las redes de entrenamiento del modelo en consideración ha sido calculada como 𝐼𝐶𝑃𝑘=1−𝑀𝑎𝑛𝑡𝑒𝑙 𝑇𝑒𝑠𝑡 𝑟(𝑅𝑠𝑢𝑗𝑒𝑡𝑜𝑠 𝑒𝑛𝑡𝑟𝑒𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜,𝑅𝑠𝑢𝑗𝑒𝑡𝑜𝑠 𝑒𝑛𝑡𝑟𝑒𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑦 𝑠𝑢𝑗𝑒𝑡𝑜 𝑘) (2) donde 𝑅𝑠𝑢𝑗𝑒𝑡𝑜𝑠 𝑒𝑛𝑡𝑟𝑒𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜 es la matriz de correlación calculada a partir de todos los sujetos de entrenamiento para un grupo dado y 𝑅𝑠𝑢𝑗𝑒𝑡𝑜𝑠 𝑒𝑛𝑡𝑟𝑒𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑦 𝑠𝑢𝑗𝑒𝑡𝑜 𝑘 es la matriz de correlación calculada con todos los sujetos de entrenamiento de un grupo y el sujeto k. Si el resultado del test de Mantel toma valores cercanos a 1 es porque las matrices calculadas, incluyendo y sin incluir el nuevo sujeto son muy similares entre sí y por lo tanto la incorporación del nuevo sujeto apenas cambia la configuración de la red inicial, en otras palabras, la contribución del nuevo sujeto es muy baja (Saggar et al. 2015); al aplicar la fórmula (2) se obtendría una contribución individual cercana a 0. Si por el contrario se obtuviesen valores próximos a 0 en el test de Mantel, estos resultados sugerirían que ambas matrices de correlación son muy diferentes y que por tanto la inclusión del nuevo sujeto ha cambiado radicalmente la configuración de la red original; en consecuencia, al calcular la contribución individual se obtendría valores muy altos, cercanos a 1. En resumen, determinando la contribución del sujeto k a cada una de las redes de entrenamiento del modelo elegido, es posible cuantificar el impacto que tiene este sujeto en cada grupo. Lo esperado es que el sujeto k modifique en menor medida la estructura de la red de entrenamiento del grupo al que pertenece, por tener más asociaciones entre las distintas variables en común con el resto de los sujetos que componen esta red de entrenamiento. Por lo tanto, como se muestra en la figura 8, si al calcular la contribución individual del sujeto k para cada una de las redes de entrenamiento se obtiene una contribución menor de este sujeto a la red de entrenamiento de los sujetos patológicos, el algoritmo implementa concluirá que el sujeto k es un sujeto patológico. 53 Para evaluar este mecanismo de clasificación se ha decidido emplear matrices de confusión y el coeficiente kappa. Una matriz de confusión, también denominada tabla de contingencia o matriz de error es una matriz construida de tal forma que las filas representan las clases reales y las columnas las clases pronosticadas por el algoritmo de clasificación empleado. Los números de la diagonal representan las clasificaciones realizadas correctamente, mientas que los elementos exteriores a la diagonal serían errores. Gracias a las matrices de correlación se puede obtener una mejor comprensión sobre qué asignaciones se han realizado correctamente y cuáles han resultado erróneas. En las figuras 9, 10, 11 y 12 se muestra el modo de interpretar las matrices de confusión para el modelo sujetos patológicos vs. no patológicos (figura 9), C vs. EA (figura 10), C vs. DCL vs. EA (figura 11), y C vs. DCL vs. EA MIL vs. EA MOD vs. EA SEV (figura 12). Figura 8: Diagrama de flujo para el proceso de clasificación de un nuevo sujeto en función de la IC obtenida 54 Figura 9: Interpretación matriz de confusión caso patológico vs. no patológico Figura 10: Interpretación matriz de confusión caso C vs. EA Figura 11: Interpretación matriz de confusión C vs. DCL vs. EA Figura 12: Interpretación matriz de confusión C vs. DCL vs. EA MIL vs. EA MOD vs. EA SEV 55 El coeficiente kappa es una medida estadística que da cuenta de la proporción de concordancias observadas en el total de observaciones excluyendo aquellas concordancias producto del azar. Este coeficiente puede tomar valores comprendidos entre -1 y 1 donde valores cercanos a 1 son sinónimo de un mayor grado de concordancia y valores próximos a 0 indican concordancia debida puramente al azar (Cerda Lorca and Villarroel Del Pino 2008). La interpretación del coeficiente de kappa se recoge en la tabla 7: 5.2.3 Análisis de estabilidad Para determinar la robustez de las redes de entrenamiento, se ha llevado a cabo un análisis de estabilidad, evaluando cómo de probable es obtener redes similares a partir de muestras diferentes empleando la metodología de bootstrapping (Efron 1979; Epskamp, Borsboom, et al. 2018). El bootstrap es una técnica de remuestreo (Rudner and Shafer 1993). El término remuestreo hace referencia a la extracción de múltiples muestras repetidas de los propios datos con el objetivo de realizar descripciones e inferencias estadísticas (Ledesma 2008). Se considerará que las redes son similares si se obtienen correlaciones parecidas entre las variables en estudio para muestras diferentes (Jimeno et al. 2020). Para el análisis de estabilidad de las redes de entrenamiento se han realizado 1000 iteraciones de bootstrap, es decir, se han remuestreado los datos con los que se han generado estas redes de entrenamiento un total de 1000 veces. En cada iteración se han tomado tantas muestras como sujetos componen las redes de entrenamiento. Por ejemplo, si la red de entrenamiento estuviese formada por 39 sujetos, se generarían 1000 grupos de 39 muestras con los datos procedentes de los 39 sujetos seleccionados y ordenados de forma aleatoria. Para lograr una mejor comprensión de esta metodología se muestran en las tablas 8-12 un ejemplo simplificado para el supuesto de tener únicamente 3 variables (estudios, edad y alimentación) de 5 sujetos y 3 iteraciones de bootstrap. En la tabla 8 se resumen los datos de partida. En la tabla 9 se recogen las 3 iteraciones de bootstrap. Para obtener estos valores, se han generado 5 números aleatorios comprendidos en el intervalo entre 1 y 5, el número de sujetos considerados, 3 veces. Estos valores marcarán los datos de que sujetos serán considerados para cada iteración y en qué orden. Valor coeficiente de kappa Fuerza de la concordancia <0,20 Pobre 0,21-0,40 Débil 0,41-0,60 Moderada 0,61-0,80 Buena 0,81-1 Muy buena Tabla 7: Interpretación coeficiente de kappa (López de Ullibarri and Pita Fernández 2001). 56 En las tablas 10,11 y 12, se ejemplifica el resultado de remuestrear los datos de partida de acuerdo a los datos de la tabla 9. En la tabla 9, el primer valor de la primera iteración es un 3, por lo tanto, en la nueva tabla los primeros datos serán los correspondientes al sujeto 3 de la tabla 8 (fila naranja). El segundo número de la primera iteración es un 1. Como consecuencia, en la tabla 10 los datos del segundo sujeto serán los de la primera fila de la tabla 8. Este procedimiento se ha repetido 3 veces para todos los valores de la tabla 9, obteniendo de esta forma las tablas 11 y 12. Posteriormente, se han calculado las redes de asociación para los 1000 grupos distintos de muestras, obteniendo 1000 nuevas redes de asociación. Una vez obtenidas la totalidad de las redes, se han comparado las correlaciones obtenidas con las de la red de entrenamiento original. Para ello, se ha convertido primeramente la matriz de entrenamiento en un vector con los coeficientes de DATOS BOOTSTRAP Estudios Edad Alimentación Iteración 1 Iteración 2 Iteración 3 Sujeto 1 1 3 3 3 4 5 Sujeto 2 1 3 1 1 3 1 Sujeto 3 1 5 1 2 2 2 Sujeto 4 0 2 1 1 1 2 Sujeto 5 0 7 1 5 4 1 Tabla 8: Datos de partida para la aplicación de bootstap Tabla 9: Iteraciones 1, 2 y 3 de bootstrap Primera iteración de bootstrap Segunda iteración de bootstrap Estudios Edad Alimentación Estudios Edad Alimentación Sujeto 3 1 5 1 Sujeto 4 0 2 1 Sujeto 1 1 3 3 Sujeto 3 1 5 1 Sujeto 2 1 3 1 Sujeto 2 1 3 1 Sujeto 1 1 3 3 Sujeto 1 1 3 3 Sujeto 5 0 7 1 Sujeto 4 0 2 1 Tabla 10: Resultado primera iteración de bootstrap Tabla 11: Resultado segunda iteración de bootstrap Tercera iteración de bootstrap Estudios Edad Alimentación Sujeto 5 0 7 1 Sujeto 1 1 3 3 Sujeto 2 1 3 1 Sujeto 2 1 3 1 Sujeto 1 1 3 3 Tabla 12: Resultado tercera iteración de bootstrap 57 correlación ordenados en orden ascendente. Después, se ha calculado una matriz con la mediana de las 1000 matrices obtenidas mediante bootstrap, y replicando el proceso realizado para la matriz de entrenamiento se ha convertido esta matriz en un vector con las correlaciones ordenadas de menor a mayor. Para las redes de bootstrap se ha calculado también el intervalo de confianza al 95%. Finalmente se han representado en un mismo gráfico estos percentiles junto con el vector de correlaciones base y el vector de correlaciones de bootstrap, como se puede observar en el ejemplo de figura 21. Cuanto más similares sean las correlaciones de bootstrapping y las matrices de entrenamiento, más estables serán las redes. Por otro lado, cuanto más estrecho se el intervalo de confianza obtenido, más precisa será la estimación efectuada. Figura 13: Estabilidad para el modelo de clasificación patológicos vs. no patológicos reducido de (a) la red de entrenamiento de los sujetos no patológicos y (b) la red de entrenamiento de los sujetos patológicos. En negro la original y en rojo bootstrap para 1000 64 como la fase inmediatamente anterior al EA MIL, existiendo grandes rangos en común entre ambas etapas. Con respecto al coeficiente de kappa se ha obtenido un valor de 0,4919, lo que refleja una fuerza de concordancia moderada. Estos resultados se obtienen a partir con las variables del modelo ampliado, modelo menos costoso desde el punto de vista computacional que el modelo completo. Una herramienta para la ayuda al diagnóstico de la EA basado en este modelo podría ayudar a los profesionales sanitarios a obtener una primera aproximación diagnóstica de forma precoz, económica y sencilla, lo que puede ser de gran ayuda a la hora de determinar futuras líneas de actuación en el diagnóstico y tratamiento del paciente. • C vs. DCL vs. EA MIL vs. EA MOD vs. EA SEV para el modelo reducido con MMSE. Por último, a partir de la matriz de confusión de la tabla 13, se extraen tasas de acierto del 27,27% (3/11) para controles, 72,73% (8/11) para DCL, 60% (6/10) para EA MIL, 100% (10/19) para EA MOD y 90% (9/10) para EA SEV. Al igual que para el modelo anterior, es interesante relativizar los errores obtenidos, En el caso de enfermos con DCL, el 18,18% de los sujetos diagnosticados erróneamente han sido confundidos con EA MIL. Para lo enfermos de EA MIL, el 20% han sido catalogados erróneamente como enfermos de EA MOD y el 20% restante como enfermos de DCL. Por último, el 10% de sujetos con EA SEV diagnosticados erróneamente han sido confundidos con EA MOD. Teniendo en cuenta que la EA es una enfermedad progresiva donde los síntomas y la neurodegeneración aumentan con el transcurso del tiempo, las confusiones entre fases colindantes no deberían ser consideradas como un error fatídico. En otras palabras, la confusión entre un enfermo de EA SEV y un control tiene una mayor gravedad que entre un EA MOD y un EA SEV. En cuanto al coeficiente de kappa, el resultado obtenido es del 0,6153, es decir, una fuerza de concordancia buena. Otro punto a favor de este modelo es que obtiene resultados de clasificación aceptables a partir del modelo reducido, el más sencillo y menos costoso computacionalmente. Para este modelo se requiere únicamente de las variables sociodemográficas más directas, es decir, edad, sexo y educación. Desde el punto de vista clínico, este es el modelo que gozaría de una mayor especificidad, pues no solo es capaz de determinar si un sujeto es un control o un enfermo de DCL o de EA, si no que es capaz de otorgar un grado de severidad a la enfermedad. Sin embargo, dado que el uso de una herramienta diagnóstica basada en este modelo sería el de screening, probablemente goce de mayor interés una herramienta capaz de distinguir con una mayor precisión aquellos sujetos patológicos de los que no lo son que una herramienta que otorgue un grado de afectación de la enfermedad. Por esta razón, se ha decido centrar el estudio de la viabilidad de esta herramienta en e TFG del Grado en ADE para una herramienta desarrollada a partir del primer modelo y no de este. 65 C vs. PATOLÓGICOS C vs. EA C vs. DCL vs. EA C vs. DCL vs. EA MIL vs. EA MOD vs. EA SEV MODELO REDUCIDO Con MMSE (6 5 2159) 0.6106 (6 6 3108) 0.5323 (4 2 6 0 6 6 1 8 102) 0.4162 ( 𝟑 𝟕 𝟎 𝟏 𝟎 𝟏 𝟖 𝟐 𝟎 𝟎 𝟎 𝟐 𝟔 𝟐 𝟎 𝟎𝟎𝟎𝟏𝟎 𝟎 𝟎 𝟎 𝟎 𝟏 𝟗 ) 0.6153 Sin MMSE (6 5 13 148) 0.3471 (6 6 18 93) 0.2336 (3 2 7 1 4 7 4998) 0.2659 ( 0 9 0 2 0 0 5 1 4 1 0 2 4 3 1 0 2 0 4 4 0 1 0 2 7 ) 0.2314 MODELO AMPLIADO Con MMSE (7 4 2159) 0.6817 (7 5 2109) 0.6362 (𝟔 𝟐 𝟒 𝟎 𝟖 𝟒 𝟏𝟏𝟐 𝟗𝟖) 0.4919 ( 3 7 0 1 0 0 9 2 0 0 0 3 6 1 0 0 1 0 8 1 0 0 0 1 9 ) 0.5909 Sin MMSE (𝟕 𝟒 𝟔𝟏𝟓𝟓) 0.5523 (7 5 12 99) 0.3771 (5 2 5 3 4 5 319 89) 0.2659 ( 3 6 0 2 0 0 6 2 3 0 0 3 1 6 0 1 1 0 5 3 0 2 0 3 5 ) 0.2303 MODELO COMPLETO Con MMSE y con parámetros de red (6 5 5156) 0.5144 (5 7 2109) 0.4896 (3 7 2 1 8 3 128 82) 0.2905 ( 5 6 0 0 0 2 7 2 0 0 0 5 3 2 0 0 2 0 4 4 0 0 0 1 9 ) 0.4214 Sin MMSE y con parámetros de red (6 5 11 150) 0.3805 (5 7 5106) 0.4015 (2 7 3 2 7 3 630 75) 0.1981 ( 2 7 0 1 1 1 3 0 3 4 0 5 0 1 4 0 2 0 3 5 0 1 0 1 8 ) 0.1345 Con MMSE y sin parámetros de red (7 4 4157) 0.6115 (𝟖 𝟒 𝟏𝟏𝟏𝟎) 0.7402 (6 3 3 0 9 3 116 94) 0.4765 ( 2 7 0 1 1 1 6 1 2 1 0 6 1 1 2 0 2 0 3 5 0 0 0 1 9 ) 0.2537 Sin MMSE y sin parámetros de red (8 3 13 148) 0.4542 (7 5 16 95) 0.3118 (4 4 4 2 7 3 425 82) 0.2725 ( 3 6 0 2 0 1 8 0 1 1 0 4 3 2 1 1 1 0 3 5 0 1 0 0 9 ) 0.3738 Tabla 13: Matrices de confusión y coeficientes de kappa obtenidos para cada uno de los modelos planteados. Se resaltan los resultados más interesantes desde el punto de vista clínico, económico y de los resultados obtenidos. 66 A grandes rasgos, la clasificación, tanto en términos de matriz de confusión como en términos del coeficiente de kappa, se observa un empeoramiento en mayor o menor medida al excluir el MMSE del análisis. Por esta razón, se puede concluir que existe un compromiso entre obtener una mejor clasificación y las ventajas derivadas de excluir el MMSE. Para algunos resultados, como por ejemplo para el modelo ampliado en la clasificación entre controles y sujetos patológicos, puede prescindirse del MMSE sin renunciar a obtener una buena clasificación. Por el contrario, en otros escenarios, como puede ser en el modelo reducido de la clasificación entre C, DCL y los distintos grados de EA, incluir el resultado del MMSE mejora significativamente la fuerza de concordancia, pasando de tener una concordancia débil a una buena concordancia. En cuanto a si es recomendable o no incluir los parámetros de red, depende nuevamente del modelo empleado y de si se decide incluir en el análisis o no el resultado de la prueba MMSE. Para los tres primeros modelos de clasificación, C vs. patológico, C vs. EA y C vs. DCL vs. EA, si se incluye el MMSE la clasificación mejora si no se incluyen los parámetros de red. Sin embargo, para el último de los modelos planteados, C vs. DCL vs. EA MIL vs. EA MOD vs. EA SEV, la clasificación mejora al incluir estos parámetros de red junto al MMSE. Si se excluye el MMSE, para todos los modelos salvo para C vs. EA se obtienen mejores resultados si se prescinde de los parámetros de red. 6.3 Estabilidad Los resultados obtenidos mediante el análisis de estabilidad conducido para las distintas redes aparecen representados en las figuras 21-32. En las figuras 21, 22 y 23 se muestra la estabilidad de las redes de entrenamiento para los sujetos patológicos y los no patológicos para los modelos reducido, ampliado y completo respectivamente. La estabilidad de las redes de entrenamiento de los controles y de los enfermos de EA se muestran en las figuras 24 (modelo reducido), 25 (modelo ampliado) y 26 (modelo completo). Con respecto a la estabilidad de las redes de entrenamiento de los controles, enfermos de DCL y enfermos de EA, el análisis se representa en las figuras 27 (modelo reducido), 28 (modelo ampliado) y 29 (modelo completo). Para finalizar, el estudio de la estabilidad de las redes de entrenamiento para controles, DCL y enfermos de EA con distinto grado de afectación se representa en las figuras 30 (modelo reducido), 31 (modelo ampliado) y 32 (modelo completo). Para este estudio de estabilidad se ha incorporado el MMSE en todos los modelos, así como los parámetros de red en el modelo completo. Para todas las gráficas presentadas, la curva negra representa las correlaciones de la matriz base original, mientras que la roja representa la mediana de las correlaciones obtenidas mediante la metodología de bootstrapping. Puede verse como para todas las gráficas ambas curvas van en sintonía, lo que se traduce en una estabilidad de las redes de entrenamiento es razonable. Por otro lado, el área sombreada en color gris representa el intervalo de confianza del 95% para las correlaciones de bootstrap. Dependiendo del modelo, el área tendrá una anchura u otra. Cuanto menor es el área, más precisa será la estimación. 67 Analizando estos resultados puede concluirse que tomando distintas muestras de la muestra inicial se obtienen resultados bastantes similares y que por tanto estas redes son estables independientemente de la muestra. Figura 1: Estabilidad para el modelo de clasificación patológicos vs. no patológicos reducido de (a) la red de entrenamiento de los sujetos no patológicos y (b) la red de entrenamiento de los sujetos patológicos. En negro la original y en rojo bootstrap para 1000 iteraciones. Figura 2: Estabilidad para el modelo de clasificación patológicos vs. no patológicos ampliado de (a) la red de entrenamiento de los sujetos no patológicos y (b) la red de entrenamiento de los sujetos patológicos. En negro la original y en rojo bootstrap para 1000 iteraciones. Figura 3: Estabilidad para el modelo de clasificación patológicos vs. no patológicos completo de (a) la red de entrenamiento de los sujetos no patológicos y (b) la red de entrenamiento de los sujetos patológicos. En negro la original y en rojo bootstrap para 1000 iteraciones. 68 Figura 4: Estabilidad para el modelo de clasificación controles vs. EA reducido de (a) la red de entrenamiento de los controles y (b) la red de entrenamiento de los sujetos enfermos de EA. En negro la original y en rojo bootstrap para 1000 iteraciones. Figura 5: Estabilidad para el modelo de clasificación controles vs. EA ampliado de (a) la red de entrenamiento de los controles y (b) la red de entrenamiento de los sujetos enfermos de EA. En negro la original y en rojo bootstrap para 1000 iteraciones. Figura 6: Estabilidad para el modelo de clasificación controles vs. EA completo de (a) la red de entrenamiento de los controles y (b) la red de entrenamiento de los sujetos enfermos de EA. En negro la original y en rojo bootstrap para 1000 iteraciones. 69 Figura 7: Estabilidad para el modelo de clasificación C vs. MCI vs. EA reducido de (a) la red de entrenamiento de los controles, (b) la red de entrenamiento de los DCL y (c) red base de los EA. En negro la original y en rojo bootstrap para 1000 iteraciones. Figura 8: Estabilidad para el modelo de clasificación C vs. MCI vs. EA ampliado de (a) la de entrenamiento base de los controles, (b) la red de entrenamiento de los DCL y (c) red base de los EA. En negro la original y en rojo bootstrap para 1000 iteraciones. Figura 9: Estabilidad para el modelo de clasificación C vs. MCI vs. EA completo de (a) la red de entrenamiento de los controles, (b) la red de entrenamiento de los DCL y (c) red base de los EA. En negro la original y en rojo bootstrap para 1000 iteraciones. 70 Figura 10: Estabilidad para el modelo de clasificación C vs. MCI vs. EA MIL vs. EA MOD vs. EA SEV reducido de (a) la red de entrenamiento de los controles, (b) la red de entrenamiento de los DCL, (c) red de entrenamiento de los EA MIL, (d) red de entrenamiento de los EA MOD y (e) red de entrenamiento de los EA SEV. En negro la original y en rojo bootstrap para 1000 iteraciones. Figura 11: Estabilidad para el modelo de clasificación C vs. MCI vs. EA MIL vs. EA MOD vs. EA SEV ampliado de (a) la red de entrenamiento de los controles, (b) la de entrenamiento base de los DCL, (c) red de entrenamiento de los EA MIL, (d) red de entrenamiento de los EA MOD y (e) red de entrenamiento de los EA SEV. En negro la original y en rojo bootstrap para 1000 iteraciones. Figura 12: Estabilidad para el modelo de clasificación C vs. MCI vs. EA MIL vs. EA MOD vs. EA SEV completo de (a) la red de entrenamiento de los controles, (b) la red de entrenamiento de los DCL, (c) red de entrenamiento de los EA MIL, (d) red de entrenamiento de los EA MOD y (e) red de entrenamiento de los EA SEV. En negro la original y en rojo bootstrap para 1000 iteraciones. 71 CAPÍTULO 7: DISCUSIÓN Y LIMITACIONES 7.1 Discusión El diagnóstico de la EA por los médicos especializados puede alcanzar una precisión de entre el 80% y el 90%, siendo posible alcanzar el diagnóstico definitivo únicamente mediante autopsia (Rossini et al. 2020). Para conseguir este diagnóstico in-vivo, es necesario una gran cantidad de recursos, desde equipos de alta tecnología hasta personal médico altamente cualificado, normalmente disponibles exclusivamente en países desarrollados (Sarazin et al. 2012). Este diagnóstico invivo requiere de múltiples evidencias: pruebas de neuroimagen, estudio del historial clínico, datos socio-demográficos, pruebas cognitivas y funcionales y estudio de la información genética, entre otras (Jack et al. 2018). Esto conlleva un alto grado de subjetividad y complejidad, además de ser un proceso costoso y difícilmente escalable a toda la población de riesgo, dificultando la obtención de un diagnóstico de forma temprana. Obtener un diagnóstico precoz, que permita además identificar a los sujetos con DCL, es crítico, especialmente de cara a la próxima llegada de fármacos que modifiquen el curso de la enfermedad (Rossini et al. 2019). Resulta por tanto evidente la necesidad de conseguir un diagnóstico más económico, no invasivo y escalable a toda la población de riesgo, a la par que desarrollar nuevas metodologías que permitan objetivar las relaciones entre los distintos datos disponibles de los sujetos para poder eliminar la complejidad y el componente de subjetividad inherente al diagnóstico actual. Con respecto a la necesidad de obtener un diagnóstico económico, no invasivo y escalable a toda la población de riesgo, esto no es viable usando MRI, PET o CSF, pero sí con el EEG. En cuanto a la necesidad de alcanzar un diagnóstico menos complejo y subjetivo, las redes de asociación proporcionan un marco metodológico con gran potencial. Por tanto, con el objetivo de solventar ambas necesidades, se ha desarrollado en este TFG una metodología para la ayuda al diagnóstico de la EA centrada en objetivar mediante el uso de redes de asociación las relaciones entre parámetros obtenidos del EEG, datos socio-demográficos sencillos de obtener, y, para algunos modelos de clasificación, la puntuación obtenida en el MMSE, una prueba rápida y económica. Se han planteado varios modelos posibles de clasificación, en función de las distintas clases entre las que se pretenda diferenciar y de las variables que se desee incluir en el análisis. Algunos de los resultados obtenidos son bastante prometedores. Entre todos los modelos evaluados, el que resulta la solución más prometedora a los problemas anteriormente señalados es el modelo de clasificación ampliado, excluyendo el MMSE, que se centra en diferenciar entre sujetos 72 patológicos y no patológicos. Para este modelo de clasificación, elaborado únicamente a partir de variables sociodemográficas y los parámetros del EEG, se diagnostican correctamente 7 de los 11 controles y 155 de los 161 sujetos patológicos, es decir, un 63,64% y un 96,97% de los sujetos no patológicos y patológicos, respectivamente. El coeficiente kappa para este modelo es de 0,5523, lo cual sugiere una fuerza de concordancia moderada, y el análisis de estabilidad muestra que, a pesar del número reducido de sujetos de los que se ha dispuesto para la elaboración de las redes de entrenamiento, estas redes son suficientemente estables. Este modelo por sí solo no es capaz de alcanzar ni la precisión suficiente, sobre todo para los sujetos patológicos, ni la especificidad requerida, pues no se han realizado las pruebas pertinentes para comprobar como clasificaría el sistema otro tipo de demencias consecuencia de otras patologías. Sin embargo, sí puede convertirse en una buena herramienta de cribado de la población de riesgo, dado que la precisión en el diagnóstico de sujetos patológicos es elevada. Haciendo uso de esta herramienta, puede reducirse significativamente el número de sujetos que necesitan ser sometidos a las pruebas de alto coste, MRI y PET, e invasivas, CSF. De esta forma, se generaría un escenario asequible tanto desde los puntos de vista económico y organizativo (Rossini et al. 2020). Esto se traduciría en una reducción drástica del porcentaje de sujetos con demencia no diagnosticada. Según un estudio realizado en España, se estima que un 70% de la población que sufre demencia no ha sido diagnosticada (Zunzunegui Pastor et al. 2003), cifra que es superior para el caso de demencias leves (Villarejo Galende et al. 2021). Desgraciadamente, estas cifras son bastante similares en el resto de los países desarrollados. Un estudio sostiene que este porcentaje es del 58% en Europa (Eefsting et al. 1996) y de un 65% en los Estados Unidos de América (Valcour et al. 2000). Al tratarse de una herramienta de cribado, el modelo de clasificación entre controles y sujetos patológicos parece ser el más conveniente. Si se desea aumentar la precisión de la clasificación, puede añadirse una variable extra a las redes que recoja la puntuación obtenida en la prueba del MMSE. Sin embargo, esta prueba presenta varios inconvenientes, pues es susceptible al nivel educacional (Schmand et al. 1995), la cultura, la edad, delirios o depresión (Galea and Woodward 2005). Además, puede verse condicionada también por los nervios del sujeto al someterse a la misma. Por ello, no consideramos que los beneficios de incluir el MMSE para este modelo concreto compensen los inconvenientes inherentes, y más tratándose de una herramienta de cribado. Aunque el EEG no se encuentra aún en ninguna de las guías para el diagnóstico de la EA (Babiloni et al. 2020), hay varios estudios que tratan de caracterizar y diagnosticar la EA en base a los registros del EEG. Algunos de estos estudios se recogen en la Tabla 14, con el objetivo de contrastar estos resultados con los obtenidos en este TFG. El estudio de Ruiz-Gómez et al. (2018) evalúa la utilidad de emplear el EEG en el diagnóstico de la EA y el DCL. Para ello, la investigación parte de registros de EEG de 37 controles sanos, 37 sujetos con DCL y 37 pacientes de EA. A partir de estos 73 registros se calculan los siguientes parámetros: RP, MF, IAF, SE, LZC, CTM, SE, entropía difusa y auto-información mutua. El estudio evalúa tres modelos de clasificación distintos: análisis discriminante lineal, análisis discriminante cuadrático y perceptrón multicapa. Los mejores resultados se obtienen para el perceptrón multicapa: sensibilidad del 82,35% y valor predictivo positivo del 84,85% para C vs. DCL y EA y especificidad del 84,38% y valor predictivo negativo del 79,41% para EA vs. C y DCL (Ruiz-Gómez et al. 2018). Esta investigación muestra cómo, a partir de muchos de los parámetros del EEG considerados en este TFG, es posible desarrollar distintas metodologías para la ayuda al diagnóstico de la EA. Comparando estos resultandos con los obtenidos en este TFG, es posible apreciar que la inclusión de datos sociodemográficos y clínicos puede traducirse en una mejor clasificación. Esto es coherente con la hipótesis de partida del TFG: la EA es una enfermedad tan compleja que para obtener un diagnóstico efectivo y precoz es necesaria la integración de información de distinta naturaleza que caracterice diferentes niveles de análisis. El estudio de Buscema et al. (2015) corresponde a una investigación en la que se trata de distinguir entre controles, sujetos que padecen DCL y enfermos de EA MIL en base a registros de EEG no procesados mediante una nueva versión del sistema I-FAST (implicit function as squashing time). Según el estudio, esta metodología es capaz de diagnosticar la presencia de DCL o EA MIL con una precisión de entre el 94% y el 98% (Buscema et al. 2015). Estos porcentajes son similares a los obtenidos para el sistema de clasificación entre sujetos patológicos y no patológicos para el modelo ampliado sin MMSE. El estudio de Miraglia et al. (2016) aplica la teoría de grafos para investigar como la arquitectura de red small-world calculada a partir de la señal del EEG con ojos abiertos y cerrados en reposo se modifica en las distintas etapas de la EA. Para ello el estudio cuenta con 90 sujetos, 30 de ellos cognitivamente sanos, 30 enfermos de DCL y 30 enfermos de EA. Los resultados de este estudio muestran como la red varía a medida que avanza la enfermedad y como para los DCL esta presenta características intermedias a la de los C y enfermos de EA, confirmando la hipótesis de que el DCL es una fase más en la evolución de la enfermedad (Miraglia et al. 2016). En este TFG se ha demostrado también como la red de asociaciones entre las distintas variables sociodemográficas y parámetros neurofisiológicos calculados a partir de la señal del EEG varían en cada estadio de la enfermedad. El estudio de Kashefpoor et al. (2016) emplea registros del EEG para elaborar un diagnóstico automático del DCL. Para ello parte de 27 sujetos (11 DCL y 16 controles) y mediante sistemas de neurodifusión y el clasificador k vecinos más cercanos (k-nearest neighbor) logra una precisión del 88,89%, una sensibilidad del 100% y una especificidad del 83,33%, lo que muestra el gran potencial del EEG como técnica diagnóstica del DCL (Kashefpoor et al. 2016). En este TFG también se ha demostrado que a partir de los registros del EEG, combinando estos registros con los datos socio-demográficos, es posible realizar un diagnóstico automático del DCL. Otros ejemplos de las múltiples líneas de investigación que tratan de diagnosticar la EA y el DCL haciendo uso de exclusivamente el EEG son los estudios 80 En cuanto a las posibles mejoras de la herramienta en el ámbito de la EA, sería conveniente incorporar nuevos sujetos, especialmente controles, tanto a las redes de entrenamiento como para probar los distintos modelos de clasificación empleados. Analizando los resultados obtenidos para las distintas clasificaciones para los modelos reducido, ampliado y complejo, resulta evidente que el MMSE mejora en mayor o menor medida la clasificación y que incluir un mayor número de variables no siempre mejora la clasificación. Aunque se han realizado numerosas pruebas no incluidas en este TFG para determinar las variables a considerar para la construcción de las redes y se han obtenido resultados sólidos con ellas. No obstante, podría resultar interesante investigar con más profundidad qué nuevas variables podrían mejorar la clasificación o bien reducir la dependencia de la prueba del MMSE. Dada la fácil escalabilidad de esta herramienta, introducir estas variables resultaría un trabajo sencillo. Aprovechando la escalabilidad, sería interesante también introducir sujetos cada vez más jóvenes, algo sencillo en el caso de los controles, pero algo más complejo para sujetos con DCL y EA, dado que estas patologías comienzan a manifestarse normalmente en edades más avanzadas. También sería interesante realizar un seguimiento de los sujetos que han sido identificados por la herramienta; especialmente aquellos que han sido clasificados como controles y aquellos controles que han sido incorrectamente diagnosticados como sujetos con alguna patología. Así se podría estudiar si estos sujetos terminan desarrollando DCL o EA con posterioridad y ver hasta qué punto la herramienta es capaz de identificar los sujetos que padecerán algún tipo de patología antes de manifestar los primeros síntomas. Si parte de los controles que han sido diagnosticados erróneamente como sujetos patológicos fueran el resultado de la herramienta prediciendo su futura evolución patológica, esta herramienta supondría un gran avance en el diagnóstico temprano de la EA. 81 Referencias Alzheimer’s Association. 2018. “Etapas Del Alzheimer.” Alzheimer’s Association 28:477–86. Retrieved June 5, 2021 (https://www.alz.org/alzheimerdemencia/etapas?lang=es-MX). Alzheimer’s Society. 2021a. “The Early Stage of Dementia.” Retrieved June 5, 2021 (https://www.alzheimers.org.uk/about-dementia/symptoms-and- diagnosis/how-dementia-progresses/early-stages-dementia#content-start). Alzheimer’s Society. 2021b. “The Middle Stage of Dementia.” Retrieved June 5, 2021 (https://www.alzheimers.org.uk/about-dementia/symptoms-and- diagnosis/how-dementia-progresses/middle-stage-dementia#content-start). Alzheimer’s Society. 2021c. “The Progression and Stages of Dementia.” Retrieved June 5, 2021 (https://www.alzheimers.org.uk/about-dementia/symptoms- and-diagnosis/how-dementia-progresses/progression-stages- dementia#content-start). Andrzejak, R. G., K. Lehnertz, F. Mormann, C. Rieke, P. David, and C. E. Elger. 2001. “Indications of Nonlinear Deterministic and Finite-Dimensional Structures in Time Series of Brain Electrical Activity: Dependence on Recording Region and Brain State.” Physical Review E - Statistical Physics, Plasmas, Fluids, and Related Interdisciplinary Topics 64(6):8. doi: 10.1103/PhysRevE.64.061907. Anon. 2014. “La Tomografía PET/TAC Ya Ha Ahorrado Dos Millones de Euros Al Sacyl.” El Norte de Castilla. Anon. 2016. “Node Degree and Strength.” Pp. 115–36 in Fundamentals of Brain Network Analysis. Elsevier. Anon. 2020. “El Hospital Universitario de Badajoz Sustituye El Equipo de Resonancia Magnética Tras 23 Años En Uso.” 20 Minutos. Anon. n.d. Manual Sistema 10/20 Internacional. Anon. n.d. “Un Nuevo Equipo Para Detectar Cáncer Podrá Realizar 5.000 Estudios Anuales.” Retrieved November 19, 2020b (https://diariodevalladolid.elmundo.es/articulo/castillayleon/nuevo-equipo- detectar-cancer-podra-realizar-5000-estudios- anuales/20180826083000259773.html). Ariza, F. J., C. Pinilla, and J. .. García. 2002. “Comparación de Matrices de Confisión Celda a Celda Mediante Bootstraping.” Universidad de Jaén. Babiloni, C., K. Blinowska, L. Bonanni, A. Cichocki, W. De Haan, C. Del Percio, B. Dubois, J. Escudero, A. Fernández, G. Frisoni, B. Guntekin, M. Hajos, H. Hampel, E. Ifeachor, K. Kilborn, S. Kumar, K. Johnsen, M. Johannsson, J. Jeong, F. LeBeau, R. Lizio, F. Lopes da Silva, F. Maestú, W. J. McGeown, I. McKeith, D. V. Moretti, F. Nobili, J. Olichney, M. Onofrj, J. J. Palop, M. Rowan, F. Stocchi, Z. M. Struzik, H. 82 Tanila, S. Teipel, J. P. Taylor, M. Weiergräber, G. Yener, T. Young-Pearse, W. H. Drinkenburg, and F. Randall. 2020. “What Electrophysiology Tells Us about Alzheimer’s Disease: A Window into the Synchronization and Connectivity of Brain Neurons.” Neurobiology of Aging 85:58–73. doi: 10.1016/j.neurobiolaging.2019.09.008. Bastian, M., S. Heymann, and M. Jacomy. 2009. “Gephi: An Open Source Software for Exploring and Manipulating Networks. BT - International AAAI Conference on Weblogs and Social.” Pp. 361–62 in International AAAI Conference on Weblogs and Social Media. Vol. 3. Bayliss, J. 2001. “A Flexible Brain-Computer Interface.” University of Rochester. Blennow, K., M. J. de Leon, and H. Zetterberg. 2006. “Alzheimer’s Disease.” The Lancet 368(9533):387–403. doi: 10.1038/nrdp.2015.56. Borsboom, D. 2017. “A Network Theory of Mental Disorders.” World Psychiatry 16(1):5–13. doi: 10.1002/wps.20375. Borsboom, D., and A. O. J. Cramer. 2013. “Network Analysis: An Integrative Approach to the Structure of Psychopathology.” Annual Review of Clinical Psychology 9:91–121. doi: 10.1146/annurev-clinpsy-050212-185608. Bozzali, M., L. Serra, and M. Cercignani. 2016. “Quantitative MRI to Understand Alzheimer’s Disease Pathophysiology.” Current Opinion in Neurology 29(4):437–44. doi: 10.1097/WCO.0000000000000345. Briels, C. T., C. J. Stam, P. Scheltens, S. Bruins, I. Lues, and A. A. Gouw. 2020. “In Pursuit of a Sensitive EEG Functional Connectivity Outcome Measure for Clinical Trials in Alzheimer’s Disease.” Clinical Neurophysiology 131(1):88–95. doi: 10.1016/j.clinph.2019.09.014. Bronzino, J. D., and D. R. Peterson. 2018. The Biomedical Engineering Handbook. Third Edit. Taylor & Francis. Brookes, M. J., M. W. Woolrich, and D. Price. 2014. “An Introduction to MEG Connectivity Measurements.” Pp. 321–58 in Magnetoencephalography: From Signals to Dynamic Cortical Networks. Vol. 9783642330. Springer-Verlag Berlin Heidelberg. Bruhn, J., L. E. Lehmann, H. Röpcke, T. W. Bouillon, and A. Hoeft. 2001. “Shannon Entropy Applied to the Measurement of the Electroencephalographic Effects of Desflurane.” Anesthesiology 95(1):30–35. doi: 10.1097/00000542- 200107000-00010. Budelier, M. M., and R. J. Bateman. 2020. “Biomarkers of Alzheimer Disease.” The Journal of Applied Laboratory Medicine 5(1):194–208. doi: 10.1373/jalm.2019.030080. Buscema, M., F. Vernieri, G. Massini, F. Scrascia, M. Breda, P. M. Rossini, and E. Grossi. 2015. “An Improved I-FAST System for the Diagnosis of Alzheimer’s Disease from Unprocessed Electroencephalograms by Using Robust Invariant Features.” Artificial Intelligence in Medicine 64(1):59–74. doi: 10.1016/j.artmed.2015.03.003. 83 Carpenter, C. R., J. Banerjee, D. Keyes, D. Eagles, L. Schnitker, D. Barbic, S. Fowler, and M. A. LaMantia. 2019. “Accuracy of Dementia Screening Instruments in Emergency Medicine: A Diagnostic Meta-Analysis.” Academic Emergency Medicine 26(2):226–45. doi: 10.1111/acem.13573. Carrión Pérez, P. A., J. Ródenas García, and J. J. Rieta Ibáñez. 2007. Procesado de Señales Biomédicas. Cuenca: Universidad de Castilla La Mancha. Cerda Lorca, J., and L. Villarroel Del Pino. 2008. “Evaluación de La Concordancia Inter-Observador En Investigación Pediátrica: Coeficiente de Kappa.” Revista Chilena de Pediatria 79(1):54–58. doi: 10.4067/s0370-41062008000100008. Chakravorty, P. 2018. “What Is a Signal?” IEEE Signal Processing Magazine 35:175– 77. doi: 10.1109/MSP.2018.2832195. Clark, C. M., S. Xie, J. Chittams, D. Ewbank, E. Peskind, D. Galasko, J. C. Morris, D. W. McKeel, M. Farlow, S. L. Weitlauf, J. Quinn, J. Kaye, D. Knopman, H. Arai, R. S. Doody, C. DeCarli, S. Leight, V. M. Y. Lee, and J. Q. Trojanowski. 2003. “Cerebrospinal Fluid Tau and β-Amyloid: How Well Do These Biomarkers Reflect Autopsy-Confirmed Dementia Diagnoses?” Archives of Neurology 60(12):1696–1702. doi: 10.1001/archneur.60.12.1696. Cohen, A. 2006. “Biomedical Signals: Origin and Dynamic Characteristics; Frequency-Domain Analysis.” Medical Devices and Systems 22. doi: 10.1201/9781420003864-6. Cohen, J. 1960. “A Coefficient of Agreement for Nominal Scales.” Educational and Psychological Measurement 20(1):37–46. doi: 10.1177/001316446002000104. Cohen, M. X. 2017. “Where Does EEG Come From and What Does It Mean?” Trends in Neurosciences 40(4):208–18. doi: 10.1016/j.tins.2017.02.004. Correa, A. 2008. “Una Caja de Ritmos Llamada Cerebro: Moviendo Objetos Con La Mente.” Revista Electrónica de Divulgación, 1–3. Cramer, A. O. J., L. J. Waldorp, H. L. J. Van Der Maas, and D. Borsboom. 2010. “Comorbidity: A Network Perspective.” Behavioral and Brain Sciences 33(2– 3):137–50. doi: 10.1017/S0140525X09991567. Csardi, G. 2015. Package “Igraph.” Dauwels, J., F. B. Vialatte, and A. Cichocki. 2011. “On the Early Diagnosis of Alzheimer’s Disease from EEG Signals: A Mini-Review.” Advances in Cognitive Neurodynamics (II) (Section 2):709–16. doi: 10.1007/978-90-481-9695- 1_106. Dauwels, J., F. Vialatte, and A. Cichocki. 2010. “Diagnosis of Alzheimer’s Disease from EEG Signals: Where Are We Standing?” Current Alzheimer Research 999(999):1–19. doi: 0.2174/156720510792231720. Ding, Y., J. Ho. Sohn, M. G. Kawczynski, H. Trivedi, R. Harnish, N. W. Jenkins, D. Lituiev, T. P. Copeland, M. S. Aboian, C. M. Aparici, S. C. Behr, R. R. Flavell, S. Y. Huang, K. A. Zalocusky, L. Nardo, Y. Seo, R. A. Hawkins, Miguel Pampaloni, D. Hadley, and B. L. Franc. 2019. “A Deep Learning Model to Predict a Diagnosis 84 of Alzheimer Disease by Using 18 F-FDG PET of the Brain.” Radiology 290(3):456–64. doi: 10.1148/radiol.2018180958. Dominguez, L., R. Wennberg, J. Velazquez, and R. Guevara. 2007. “Enhanced Measured Synchronization of Unsynchronized Sources: Significance for Brain Recordings.” BMC Neuroscience 8(Suppl 2):P41. doi: 10.1186/1471-2202-8- s2-p41. Donchin, E., K. M. Spencer, and R. Wijesinghe. 2000. “The Mental Prosthesis: Assessing the Speed of a P300-Based Brain- Computer Interface.” IEEE Transactions on Rehabilitation Engineering 8(2):174–79. doi: 10.1109/86.847808. Donoso, A. 2003. “Alzheimer’s Disease.” Revista Chilena de Neuro-Psiquiatria 41(SUPPL. 2):13–22. doi: 10.4067/S0717-92272003041200003. Drenthen, G. S., W. H. Backes, R. P. W. Rouhl, M. C. G. Vlooswijk, M. H. J. M. Majoie, P. A. M. Hofman, A. P. Aldenkamp, and J. F. A. Jansen. 2018. “Structural Covariance Networks Relate to the Severity of Epilepsy with Focal-Onset Seizures.” NeuroImage: Clinical 20:861–67. doi: 10.1016/j.nicl.2018.09.023. Eefsting, J. A., F. Boersma, W. Van Den Brink, and W. Van Tilburg. 1996. “Differences in Prevalence of Dementia Based on Community Survey and General Practitioner Recognition.” Psychological Medicine 26(6):1223–30. doi: 10.1017/s0033291700035947. Efron, B. 1979. “Bootstrap Methods: Another Look at the Jackknife.” The Annals of Statistics 7(1):1–26. doi: 10.1214/aos/1176344552. Epskamp, S., D. Borsboom, and E. I. Fried. 2018. “Estimating Psychological Networks and Their Accuracy: A Tutorial Paper.” Behavior Research Methods 50(1):195–212. doi: 10.3758/s13428-017-0862-1. Epskamp, S., A. O. J. Cramer, L. J. Waldorp, V. D. Schmittmann, and D. Borsboom. 2012. “Qgraph: Network Visualizations of Relationships in Psychometric Data.” Journal of Statistical Software 48(4):1–18. doi: 10.18637/jss.v048.i04. Epskamp, S., J. Haslbeck, G. Costantini, A. O. J. Cramer, L. J. Wal-Dorp, V. D. Schmittmann, and D. Borsboom. 2018. “Package ‘Qgraph.’” doi: 10.18637/jss.v048.i04. Falgas, N., S. Barreiro, and R. Sanchez del Valle. 2018a. “Diagnóstico de La Enfermedad de Alzheimer.” Retrieved April 1, 2021 (https://www.clinicbarcelona.org/asistencia/enfermedades/alzheimer/diagn ostico). Falgas, N., S. Barreiro, and R. Sanchez del Valle. 2018b. “Tratamiento de La Enfermedad de Alzheimer | PortalCLÍNIC.” Retrieved April 6, 2021 (https://www.clinicbarcelona.org/asistencia/enfermedades/alzheimer/trata miento). Fiscon, G., E. Weitschek, A. Cialini, G. Felici, P. Bertolazzi, S. De Salvo, A. Bramanti, P. Bramanti, and M. C. De Cola. 2018. “Combining EEG Signal Processing with Supervised Methods for Alzheimer’s Patients Classification.” BMC Medical 85 Informatics and Decision Making 18(1):35. doi: 10.1186/s12911-018-0613-y. Franco Macías, E., A. Suárez González, A. Bustamante Rangel, and E. Gil Néciga. 2011. “Enfermedad de Alzheimer.” Medicine 10(76):5129–37. doi: 10.1016/S0304-5412(11)70068-3. Fraschini, M., S. M. Pani, L. Didaci, and G. L. Marcialis. 2019. “Robustness of Functional Connectivity Metrics for EEG-Based Personal Identification over Task-Induced Intra-Class and Inter-Class Variations.” Pattern Recognition Letters 125:49–54. doi: 10.1016/j.patrec.2019.03.025. Fruchterman, T. M. J., and E. M. Reingold. 1991. “Graph Drawing by Force‐directed Placement.” Software: Practice and Experience 21(11):1129–64. doi: 10.1002/spe.4380211102. Galasko, D., L. Chang, R. Motter, C. M. Clark, J. Kaye, D. Knopman, R. Thomas, D. Kholodenko, D. Schenk, I. Lieberburg, B. Miller, R. Green, R. Basherad, L. Kertiles, M. A. Boss, and P. Seubert. 1998. “High Cerebrospinal Fluid Tau and Low Amyloid Β42 Levels in the Clinical Diagnosis of Alzheimer Disease and Relation to Apolipoprotein E Genotype.” Archives of Neurology 55(7):937–45. doi: 10.1001/archneur.55.7.937. Galea, M., and M. Woodward. 2005. “Mini-Mental State Examination (MMSE): Commentary.” Australian Journal of Physiotherapy 51(3):198. doi: 10.1016/S0004-9514(05)70034-9. Garrido Pascual, Á. 2018. “Análisis de Imágenes de Resonancia Magnética Para La Detección Del Alzheimer.” Universidad de Sevilla. Gephi. n.d. “Gephi.” Retrieved June 11, 2021 (https://gephi.org/). Gilat, Amos. 2006. Matlab: Una Introducción Con Ejemplos Prácticos. Gutiérrez-de Pablo, V., C. Gómez, J. Poza, A. Maturana-Candelas, J. Gómez-Pilar, M. Revilla-Vallejo, and R. Hornero. 2020. “Redes de Asociación : Una Nueva Forma de Explorar La Huella Fisiopatológica de La Enfermedad de Alzheimer.” Pp. 1–4 in Congreso anual de la Sociedad Española de Ingeniería Biomédica. Gutiérrez-Díez, P. J., J. Gomez-Pilar, R. Hornero, J. Martínez-Rodríguez, M. A. López- Marcos, and J. Russo. 2021. “The Role of Gene to Gene Interaction in the Breast’s Genomic Signature of Pregnancy.” Scientific Reports 11(1):2643. doi: 10.1038/s41598-021-81704-8. Hansen, D., B. Shneiderman, M. Smith, and I. Himelboim. 2020. Analyzing Social Media Networks with NodeXL. Elsevier. Iaccarino, L., K. Chiotis, P. Alongi, O. Almkvist, A. Wall, C. Cerami, V. Bettinardi, L. Gianolli, A. Nordberg, and D. Perani. 2017. “A Cross-Validation of FDG-and Amyloid-PET Biomarkers in Mild Cognitive Impairment for the Risk Prediction to Dementia Due to Alzheimer’s Disease in a Clinical Setting.” Journal of Alzheimer’s Disease 59(2):603–14. doi: 10.3233/JAD-170158. Jack, C. R., D. A. Bennett, K. Blennow, M. C. Carrillo, B. Dunn, S. B. Haeberlein, D. M. Holtzman, W. Jagust, F. Jessen, J. Karlawish, E. Liu, J. L. Molinuevo, T. Montine, C. Phelps, K. P. Rankin, C. C. Rowe, P. Scheltens, E. Siemers, H. M. Snyder, R. 86 Sperling, C. Elliott, E. Masliah, L. Ryan, and N. Silverberg. 2018. “NIA-AA Research Framework: Toward a Biological Definition of Alzheimer’s Disease.” Alzheimer’s and Dementia 14(4):535–62. doi: 10.1016/j.jalz.2018.02.018. Jimeno, N., J. Gomez-Pilar, J. Poza, R. Hornero, K. Vogeley, E. Meisenzahl, T. Haidl, M. Rosen, J. Klosterkötter, and F. Schultze-Lutter. 2020. “Main Symptomatic Treatment Targets in Suspected and Early Psychosis: New Insights from Network Analysis.” Schizophrenia Bulletin 46(4):884–95. doi: 10.1093/schbul/sbz140. Johns Hopkins Medicine. 2021. “Stages of Alzheimer’s Disease.” Retrieved June 5, 2021 (https://www.hopkinsmedicine.org/health/conditions-and- diseases/alzheimers-disease/stages-of-alzheimer-disease). Kaimann, R. A. 1975. “Defining the Complexity of a Project Management Network.” Project Management Quarterly. Retrieved June 15, 2021 (https://www.pmi.org/learning/library/defining-complexity-project- management-network-5765). Kashefpoor, M., H. Rabbani, and M. Barekatain. 2016. “Automatic Diagnosis of Mild Cognitive Impairment Using Electroencephalogram Spectral Features.” Journal of Medical Signals and Sensors 6(1):25–32. doi: 10.4103/2228-7477.175869. Khokhar, D. 2015. Gephi Cookbook. Kim, S. P., Y. N. Rao, D. Erdogmus, J. C. Sanchez, M. A. L. Nicolelis, and J. C. Principe. 2005. “Determining Patterns in Neural Activity for Reaching Movements Using Nonnegative Matrix Factorization.” Eurasip Journal on Applied Signal Processing 2005(19):3113–21. doi: 10.1155/ASP.2005.3113. Klem, G. H., H. O. Lüders, H. H. Jasper, and C. Elger. 1999. The Ten-Twenty Electrode System of the International Federation. Vol. 52 (supple. Kolaczyk, E. D., and G. Csárdi. 2020. “Introduction.” Pp. 1–12 in Statistical Analysis of Network Data with R. Springer, Cham. Kossakowski, J. J., S. Epskamp, J. M. Kieffer, C. D. van Borkulo, M. Rhemtulla, and D. Borsboom. 2016. “The Application of a Network Approach to Health-Related Quality of Life (HRQoL): Introducing a New Method for Assessing HRQoL in Healthy Adults and Cancer Patients.” Quality of Life Research 25(4):781–92. doi: 10.1007/s11136-015-1127-z. Lai, M., M. Demuru, A. Hillebrand, and M. Fraschini. 2018. “A Comparison between Scalp- and Source-Reconstructed EEG Networks.” Scientific Reports 8(1). doi: 10.1038/s41598-018-30869-w. Ledesma, R. 2008. “Introduccción Al Bootstrap: Desarrollo de Un Ejemplo Acompañado de Software de Aplicación.” Tutorials in Quantitative Methods for Psychology 4(2):51–60. doi: 10.20982/tqmp.04.2.p051. De Leon, M. J., S. DeSanti, R. Zinkowski, P. D. Mehta, D. Pratico, S. Segal, H. Rusinek, J. Li, W. Tsui, L. A. Saint Louis, C. M. Clark, C. Tarshish, Y. Li, L. Lair, E. Javier, K. Rich, P. Lesbre, L. Mosconi, B. Reisberg, M. Sadowski, J. F. DeBernadis, D. J. Kerkman, H. Hampel, L. O. Wahlund, and P. Davies. 2006. “Longitudinal CSF 87 and MRI Biomarkers Improve the Diagnosis of Mild Cognitive Impairment.” Neurobiology of Aging 27(3):394–401. doi: 10.1016/j.neurobiolaging.2005.07.003. Livingston, G., J. Huntley, A. Sommerlad, D. Ames, C. Ballard, S. Banerjee, C. Brayne, A. Burns, J. Cohen-Mansfield, C. Cooper, S. G. Costafreda, A. Dias, N. Fox, L. N. Gitlin, R. Howard, H. C. Kales, Mika Kivimäki, E. B. Larson, A. Ogunniyi, V. Orgeta, K. Ritchie, K. Rockwood, E. L. Sampson, Q. Samus, L. S. Schneider, G. Selbæk, L. Teri, and . Mukadam. 2020. “Dementia Prevention, Intervention, and Care: 2020 Report of the Lancet Commission.” The Lancet 396(10248):413–46. doi: 10.1016/S0140-6736(20)30367-6. López de Ullibarri, Galparsoro I., and S. Pita Fernández. 2001. Investigación: Medidas de Concordancia: El Índice de Kappa Medidas de Concordancia: El Índice de Kappa. Vol. 6. A Coruña. Mantel, N. 1967. The Detection of Disease Clustering and a Generalized Regression Approach. Vol. 27. Martí, J. 1988. “Medidas En El Sistema Nervioso y Muscular.” Introducción a La Bioingeniería. Martin, A. J., R. Marottoli, and D. O’Neill. 2013. “Driving Assessment for Maintaining Mobility and Safety in Drivers with Dementia.” Cochrane Library 2013(5). doi: 10.1002/14651858.CD006222.pub3. Martínez-Lage, P., M. Martín-Carrasco, E. Arrieta, J. Rodrigo, and F. Formiga. 2018. “Map of Alzheimer’s Disease and Other Dementias in Spain. MapEA Project.” Revista Espanola de Geriatria y Gerontologia 53(1):26–37. doi: 10.1016/j.regg.2017.07.006. Matlab. 2015. Statistics and Machine Learning Toolbox. McHugh, M. L. 2012. “Interrater Reliability: The Kappa Statistic.” Biochemia Medica 22(3):276–82. doi: 10.11613/bm.2012.031. MedlinePlus. 2016. “Electroencefalograma: MedlinePlus Enciclopedia Médica.” Noviembre 01 1. Retrieved March 13, 2021 (https://medlineplus.gov/spanish/ency/article/003931.htm). Merino, M., and A. Martínez. 2007. Electroencefalografía Convencional En Pediatría: Técnica e Interpretación. Madrid. Ministerio de Sanidad, Consumo y Bienestar Social. Gobierno de España. 2016. Equipos de Alta Tecnología Disponibles Por Comunidad Autónoma. Ministerio de Sanidad, Servicios Sociales e Igualdad. n.d. “Efectividad y Coste- Efectividad de La Determinación de Las Proteínas Abeta-42, Tau Total y Tau Fosforilada En Líquido Cefalorraquídeo Como Biomarcadores de La Enfermedad de Alzheimer.” Retrieved (https://www3.gobiernodecanarias.org/sanidad/scs/content/5784c265- b05e-11e4-9053-9d1690bb437a/SESCS 2012_BMC-EA.pdf). Miraglia, F., F. Vecchio, P. Bramanti, and P. M. Rossini. 2016. “EEG Characteristics in ‘Eyes-Open’ versus ‘Eyes-Closed’ Conditions: Small-World Network 88 Architecture in Healthy Aging and Age-Related Brain Degeneration.” Clinical Neurophysiology 127(2):1261–68. doi: 10.1016/j.clinph.2015.07.040. Miraglia, F., F. Vecchio, and P. M. Rossini. 2017. “Searching for Signs of Aging and Dementia in EEG through Network Analysis.” Behavioural Brain Research 317:292–300. doi: 10.1016/j.bbr.2016.09.057. Morales, G., and J. Artieda. 2009. La Neurofisiología Clínica: Pasado, Presente y Futuro Clinical Neurophysiology: Past, Present, Future. Vol. 32. Pamplona. Muñoz Ruata, J. 1999. “Ritmos Cerebrales y Cognición En Deficientes Mentales.” Fundacion Promiva 1:43–62. Newman, M. 2010. Networks: An Introduction. Oxford University Press. Niemantsverdriet, E., S. Valckx, M. Bjerke, and S. Engelborghs. 2017. “Alzheimer’s Disease CSF Biomarkers: Clinical Indications and Rational Use.” Acta Neurologica Belgica 117(3):591–602. doi: 10.1007/s13760-017-0816-5. Nobukawa, S., T. Yamanishi, H. Nishimura, Y. Wada, M. Kikuchi, and T. Takahashi. 2019. “Atypical Temporal-Scale-Specific Fractal Changes in Alzheimer’s Disease EEG and Their Relevance to Cognitive Decline.” Cognitive Neurodynamics 13(1):1–11. doi: 10.1007/s11571-018-9509-x. Núnez, P., J. Poza, C. Gómez, V. Rodríguez-González, A. Hillebrand, M. A. Tola- Arribas, M. Cano, and R. Hornero. 2019. “Characterizing the Fluctuations of Dynamic Resting-State Electrophysiological Functional Connectivity: Reduced Neuronal Coupling Variability in Mild Cognitive Impairment and Dementia Due to Alzheimer’s Disease.” Journal of Neural Engineering 16(5). doi: 10.1088/1741-2552/ab234b. Ortiz, T., F. J. Exposito, F. Miguel, M. Martin-Loeches, and F. J. Rubia. 1992. “Brain Mapping in Dysphonemic Dyslexia: In Resting and Phonemic Discrimination Conditions.” Brain and Language 42(3):270–85. doi: 10.1016/0093- 934X(92)90101-J. Palacios, L. 2002. “Breve Historia de La Electroencefalografía.” Neurologia 17(4):214–17. Palacios Sanchez, L. 2020. Epilepsia: Algunas Denominaciones Dadas a Través de Los Siglos. Vol. 43. Petersen, R. C., G. E. Smith, S. C. Waring, R. J. Ivnik, E. G. Tanglos, and E. Kokmen. 1999. “Mild Cognitive Impairment: Clinical Characterization and Outcome.” Pp. 303–8 in Archives of Neurology, vol 56. Poza Crespo, J. 2008. “Análisis Tiempo-Frecuencia de La Actividad Magnetoencefalográfica Espontánea En La Enfermedad de Alzheimer.” Universidad de Valladolid. Ramos-Argüelles, F., G. Morales, S. Egozcue, R. M. Pabón, and M. T. Alonso. 2009. “Técnicas Básicas de Electroencefalografía: Principios y Aplicaciones Clínicas.” Anales Del Sistema Sanitario de Navarra 32 Suppl 3:69–82. doi: 10.4321/s1137-66272009000600006. 89 Redacción de Prescrire en Inglés. 2018. “Drugs for Alzheimer’s Disease: Finally Delisted in France!” Prescrire 38:416. Retrieved April 6, 2021 (https://english.prescrire.org/en/81/168/55126/0/NewsDetails.aspx). Ridao, M. N., J. H. Doorn, and G. N. Kaplan. n.d. Construcción de Grafos de Glosarios Guiada Por El Estilo Del Discurso. Buenos Aires. Rodríguez-González, V., C. Gómez, Y. Shigihara, H. Hoshi, M. Revilla-Vallejo, R. Hornero, and J. Poza. 2020. “Consistency of Local Activation Parameters at Sensor- And Source-Level in Neural Signals.” Journal of Neural Engineering. doi: 10.1088/1741-2552/abb582. Rossini, P. M., R. Di Iorio, M. Bentivoglio, G. Bertini, F. Ferreri, C. Gerloff, R. J. Ilmoniemi, F. Miraglia, M. A. Nitsche, F. Pestilli, M. Rosanova, Y. Shirota, C. Tesoriero, Y. Ugawa, F. Vecchio, U. Ziemann, and M. Hallett. 2019. “Methods for Analysis of Brain Connectivity: An IFCN-Sponsored Review.” Clinical Neurophysiology 130(10):1833–58. doi: 10.1016/j.clinph.2019.06.006. Rossini, P. M., R. Di Iorio, F. Vecchio, M. Anfossi, C. Babiloni, M. Bozzali, A. C. Bruni, S. F. Cappa, J. Escudero, F. J. Fraga, P. Giannakopoulos, B. Guntekin, G. Logroscino, C. Marra, F. Miraglia, F. Panza, F. Tecchio, A. Pascual-Leone, and B. Dubois. 2020. “Early Diagnosis of Alzheimer’s Disease: The Role of Biomarkers Including Advanced EEG Signal Analysis. Report from the IFCN-Sponsored Panel of Experts.” Clinical Neurophysiology 131(6):1287–1310. doi: 10.1016/j.clinph.2020.03.003. Rubinov, Mikail, and Olaf Sporns. 2010. “Complex Network Measures of Brain Connectivity: Uses and Interpretations.” NeuroImage 52(3):1059–69. doi: 10.1016/j.neuroimage.2009.10.003. Rudner, L. M., and M. M. Shafer. 1993. “Resampling: A Marriage of Computers and Statistics.” Practical Assessment, Research and Evaluation 3(5):5. doi: 10.7275/8g72-q905. Ruiz-Gómez, S. J., C. Gómez, J. Poza, G. C. Gutiérrez-Tobal, M. A. Tola-Arribas, M. Cano, and R. Hornero. 2018. “Automated Multiclass Classification of Spontaneous EEG Activity in Alzheimer’s Disease and Mild Cognitive Impairment.” Entropy 20(1). doi: 10.3390/e20010035. Ruiz-Gómez, S. J., R. Hornero, J. Poza, A. Maturana-Candelas, N. Pinto, and C. Gómez. 2019. “Computational Modeling of the Effects of EEG Volume Conduction on Functional Connectivity Metrics. Application to Alzheimer’s Disease Continuum.” Journal of Neural Engineering. doi: 10.1088/1741-2552/ab4024. Ruiz De Sánchez, C., D. Nariño, J. Fernando, and M. Cerón. 2010. “Epidemiología y Carga de La Enfermedad de Alzheimer.” Acta Neurológica Colombiana 26(3):87–94. Saggar, M., S. M. H. Hosseini, J. L. Bruno, E. M. Quintin, M. M. Raman, S. R. Kesler, and A. L. Reiss. 2015. “Estimating Individual Contribution from Group-Based Structural Correlation Networks.” NeuroImage 120:274–84. doi: 10.1016/j.neuroimage.2015.07.006. Sanei, S., and J. A. Chambers. 2007. EEG Signal Processing. First Edit. edited by