Predicción del avance de la enfermedad de Parkinson mediante técnicas de Machine Learning

Abstract

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.