Detección de esclerosis lateral amiotrófica mediante técnicas de aprendizaje automático en datos biométricos

Abstract

La esclerosis lateral amiotró?ica (ELA) es una enfermedad neurodegenerativa que afecta las neuronas motoras, causando una parálisis progresiva que impacta la movilidad, la comunicación y la deglución. Su diagnóstico es tardı́o debido a la ausencia de biomarcadores especı́?icos y a la variabilidad de los sı́ntomas, lo que retrasa el inicio de los tratamientos paliativos. Este estudio propone el desarrollo de un modelo de aprendizaje automático (AA) basado en biometrı́a facial para la detección temprana de la ELA. Utilizando el conjunto de datos Toronto NeuroFace, se analizan videos de pacientes con ELA y controles sanos, enfocándose en la tarea de repetición de la secuencia de sı́labas /pataka/. Se emplea la biblioteca MediaPipe® para extraer 54 marcadores faciales, los cuales se transforman a coordenadas esféricas (r, θ, φ) para minimizar errores espaciales y mejorar la estabilidad del análisis. A través de matrices de correlación de Pearson, se reduce el conjunto de marcadores faciales a 24 puntos clave, optimizando el modelo sin pérdida signi?icativa de información relevante. Para la clasi?icación de los datos, se implementaron los algoritmos k-Nearest Neighbors (kNN), árboles de decisión (DT), Random Forest (RF) y redes neuronales arti?iciales (RNA). Se llevó a cabo una optimización de hiperparámetros mediante GridSearch y una validación cruzada estrati?icada para evaluar el desempeño de los modelos en términos de precisión, sensibilidad y especi?icidad. Los resultados muestran que las coordenadas r y θ ofrecen los mejores desempeños en la clasi?icación, destacando el modelo de RNA con una precisión del 72.2% y una sensibilidad del 88.9% en la detección de ELA. En contraste, la coordenada φ presentó menor utilidad en la clasi?icación, posiblemente debido a las limitaciones en la estimación de la profundidad de los movimientos faciales. El presente trabajo demuestra el potencial del uso de AA y biometrı́a facial para complementar el diagnóstico clı́nico de la ELA, especialmente en entornos con acceso limitado a especialistas en neurologı́a. Se recomienda en futuros estudios la integración de datos auditivos y el uso de modelos avanzados como redes neuronales grá?icas para mejorar la precisión del sistema. La implementación de estas herramientas en la práctica médica podrı́a facilitar una detección más rápida y accesible de la ELA, optimizando los tiempos de diagnóstico y tratamiento.