En el campo de la imagen médica se han propuesto varias herramientas con potencial interés para predecir la probabilidad de progresión de un paciente DCL (deterioro cognitivo leve) a EA (Enfermedad de Alzheimer). Los mejores resultados han sido obtenidos para la volumetría por RM, que involucra medidas del volumen del hipocampo y de la atrofia medial temporal, y para estudios PET, tanto de localización de áreas hipometabólicas con 18F-FDG PET como medidas de depósitos de amiloide. Los desarrollos actuales se dirigen hacia nuevas técnicas avanzadas de procesado de imagen, que permitan extraer grandes cantidades de datos de los estudios de imagen que ya se realizan. Esto ha llevado a la aparición de una nueva tecnología basada en técnicas de big data, enfocada a correlacionar la gran cantidad de información derivada de las imágenes con datos clínicos. Nuestro proyecto pretende desarrollar e implementar nuevos algoritmos de procesado basados en técnicas avanzadas de análisis de texturas e histogramas, que serán aplicados por primera vez en neuroimagen PET/RM, con el objetivo de generar grandes cantidades de información integrables en un entorno big data y correlacionarlas con parámetros clínicos. Con ello vamos a disponer de una nueva herramienta que permitirá predecir el riesgo de un paciente con DCL de progresar a demencia debida a EA.

neuroimagen multimodal
enfermedad de Alzheimer

Acción Estratégica en Salud (AES)