La predicción de la progresión de la enfermedad de Parkinson es un reto clave en el cruce entre medicina e inteligencia artificial. Este trabajo explora
arquitecturas Sequence-to-Sequence (Seq2Seq) con mecanismos de atención para anticipar la evolución de las puntuaciones clínicas UPDRS a partir de
datos longitudinales. Siguiendo la metodología CRISP-DM, se realizó un análisis exploratorio de datos clínicos y proteómicos, el diseño de un flujo de
preprocesado y la implementación de modelos en PyTorch. Los resultados muestran que las arquitecturas Seq2Seq mejoran significativamente a una red
neuronal de referencia, alcanzando un error SMAPE cercano al 75% frente a ≈110% de la baseline. Sin embargo, la incorporación directa de datos
proteómicos no aportó mejoras consistentes, lo que resalta la necesidad de un preprocesado más sofisticado. El estudio confirma el potencial de
Seq2Seq en este ámbito, aunque limitado por la calidad y cantidad de datos disponibles.
La licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional