Desarrollo de modelos de Inteligencia Artificial basados en electroencefalografía para el diagnóstico preciso y monitorización de su deterioro cognitivo en pacientes de Parkinson
Desarrollo de modelos de Inteligencia Artificial basados en electroencefalografía para el diagnóstico preciso y monitorización de su deterioro cognitivo en pacientes de Parkinson
Where did the research take place?
The study site has not been established. Author addresses may differ from where the research occurred.
A plain-language reading has not been prepared for this paper yet.
Original abstract
[ES] La enfermedad de Parkinson representa uno de los trastornos neurodegenerativos más complejos y prevalentes en la actualidad, afectando no solo la función motora sino también provocando un deterioro cognitivo progresivo que impacta severamente en la autonomía del paciente. En este contexto, la electroencefalografía (EEG) cuantitativa se ha consolidado como una herramienta fundamental y de bajo coste para monitorizar la actividad cerebral, permitiendo observar cómo la neurodegeneración altera las redes funcionales. Estudios anteriores revelan que la dinámica de los microestados de EEG en reposo contiene información relevante sobre las unidades básicas del procesamiento de información en el cerebro. Se han confirmado que los pacientes de Parkinson exhiben alteraciones en la duración, la frecuencia de aparición y las transiciones entre estados, lo que podría servir como un biomarcador temprano del estado cognitivo del paciente. El objetivo del presente Trabajo de Fin de Grado es el desarrollo de modelos de inteligencia artificial basados en características extraídas de señales de electroencefalografía en reposo para el diagnóstico y la monitorización de pacientes con enfermedad de Parkinson. Se desarrollará un pipeline de análisis avanzado centrado en la caracterización de microestados cerebrales y su complementariedad con métricas de electroencefalografía cuantitativa (qEEG) a partir de registros en reposo. Se determinarán mediante método de estadístico avanzado para identificar biomarcadores dinámicos de EEG asociado a la enfermedad de Parkinson. A partir de la información obtenida del análisis de qEEG y de microestados, se desarrollarán modelos de inteligencia artificial para el diagnóstico de la enfermedad de Parkinson, así como para la predicción de la puntuación del Montreal Cognitive Assessment (MoCA).