IA y enfermedades neurológicas raras y neuroinmunes ── 2026-10-14

Nuevos artículos sobre enfermedades neurológicas raras y neuroinmunes e IA, recopilados de feeds de revistas, PubMed (búsqueda en todas las revistas) y OpenAlex (un índice público usado en lugar de Google Scholar), evaluados por Jev (una IA que emite juicios lingüísticos): investigación original, IA como elemento central, cuál de 9 grupos de enfermedades, tratamiento o ensayos, y luego ordenados por importancia hasta un límite diario. Las revistas no se filtran por factor de impacto; cada artículo muestra el equivalente de FI de su revista (media de citación a dos años de OpenAlex) y la fecha de ese valor. Cada entrada muestra el resumen original completo.

Leer por enfermedad: Investigación básica（0） · ELA（0） · Parkinson（1） · Neurodegeneración hereditaria（0） · Neuromuscular（0） · Esclerosis múltiple（0） · NMOSD/MOGAD（0） · Miastenia gravis（1） · Encefalitis autoinmune/CIDP/SGB（0）

Investigación en neurodegeneración y neuroinmunología e IA

No hay ningún artículo nuevo que cumpla los requisitos para esta edición.

ELA: tratamiento, ensayos clínicos e IA

No hay ningún artículo nuevo que cumpla los requisitos para esta edición.

Enfermedad de Parkinson y parkinsonismo: tratamiento, ensayos e IA

• Análisis de genes expresados diferencialmente en la enfermedad de Alzheimer, la enfermedad de Parkinson y la demencia frontotemporal mediante un algoritmo de aprendizaje automático
  CRC Press eBooks · 2026-10-12 · Evidencia: Preclínica (análisis in silico de conjuntos de datos públicos de expresión génica)
  Resumen

  Las enfermedades cerebrales como la demencia frontotemporal (FTD), la enfermedad de Parkinson (PD) y la enfermedad de Alzheimer (AD) son enfermedades neurodegenerativas que liberan neuroinflamación y causan el plegamiento incorrecto de proteínas. Sin embargo, el diagnóstico de estas enfermedades sigue siendo difícil debido a la complejidad y la variabilidad de los datos. El presente estudio identifica firmas moleculares aplicando técnicas de aprendizaje automático (ML) con conjuntos de datos de microarreglos curados. Los conjuntos de datos se obtienen del Gene Expression Omnibus (GEO) del National Center for Biotechnology Information (NCBI). Con base en el análisis en R sobre GEO (GEO2R) y el paquete Limma, se obtuvieron los genes expresados (|logFC| ≥ 0.5; adj.P.Val ≤ 0.05). Se desarrolló un modelo de ML con máquina de vectores de soporte (SVM), entrenando y validando estos genes. SVM mostró una precisión y una exhaustividad muy altas. Los mapas de calor garantizaron la calidad de los datos. El trabajo subraya la capacidad de los biomarcadores estadísticos y del aprendizaje colectivo para distinguir entre perfiles de expresión génica específicos de cada enfermedad, lo que permite desarrollar diagnósticos basados en genes. En el futuro, para mejorar la interpretabilidad y el desempeño del modelo, se pueden incorporar datos estructurales genómicos. Esto ayuda a identificar los genes anómalos para extraer conclusiones posteriores.

  FI de la revista: desconocido (no se pudo emparejar)
  Referencia: Manohar Mathkunti N, Rangaswamy S, Varsha VP, Bhat S. Análisis de genes expresados diferencialmente en la enfermedad de Alzheimer, la enfermedad de Parkinson y la demencia frontotemporal mediante un algoritmo de aprendizaje automático. Interdisciplinary Approaches to Sustainable Research and Development in Science, Technology, and Socio-Economic Studies. 2026 Oct 12 [Publicación electrónica antes de su impresión]. doi:10.1201/9781042035762-123.
  Verificado: Solo resumen

Ver los 1 artículos de Parkinson →

Enfermedades neurodegenerativas hereditarias: tratamiento, ensayos e IA

No hay ningún artículo nuevo que cumpla los requisitos para esta edición.

Enfermedades neuromusculares (distrofia muscular, AME): tratamiento, ensayos e IA

No hay ningún artículo nuevo que cumpla los requisitos para esta edición.

Esclerosis múltiple: tratamiento, ensayos e IA

No hay ningún artículo nuevo que cumpla los requisitos para esta edición.

NMOSD y MOGAD: tratamiento, ensayos e IA

No hay ningún artículo nuevo que cumpla los requisitos para esta edición.

Miastenia gravis: tratamiento, ensayos e IA

• Modelo explicable de aprendizaje automático para la evaluación personalizada de la necesidad de cuidados intensivos en pacientes con miastenia gravis basado en el fenotipo y los marcadores inflamatorios.
  QJM : monthly journal of the Association of Physicians · 2026-10-12 · Evidencia: estudio observacional retrospectivo
  Resumen

  ANTECEDENTES: La identificación temprana de las exacerbaciones graves de la miastenia gravis (MG) que requieren ingreso en la unidad de cuidados intensivos (UCI) sigue siendo un desafío debido a la gran heterogeneidad de la enfermedad. Los modelos existentes rara vez incorporan la estratificación por fenotipo, lo que limita la interpretabilidad y la utilidad clínica. OBJETIVO: Este estudio tuvo como objetivo desarrollar un modelo explicable de aprendizaje automático (ML) para evaluar los factores de riesgo específicos de cada fenotipo y predecir el ingreso en la UCI de pacientes con MG. DISEÑO Y MÉTODOS: Este estudio retrospectivo incluyó a 319 pacientes hospitalizados con MG. Se utilizaron variables clínicas y marcadores de inflamación sistémica para el modelado de ML. Los subgrupos se especificaron previamente según la presencia de timoma y la edad de inicio. El desenlace principal fue la necesidad de cuidados intensivos durante la hospitalización. Se evaluó el rendimiento del modelo. Se empleó SHapley Additive exPlanations (SHAP) para la interpretación de las características globales e individuales. RESULTADOS: De 319 ingresos, 33 (10,3 %) requirieron cuidados en la UCI. Se entrenaron cuatro modelos de ML con validación anidada de 3 pliegues. eXtreme Gradient Boosting obtuvo el mejor rendimiento (AUC: 0,94). SHAP clasificó la clasificación clínica de la MGFA, la infección durante el ingreso, el índice de masa corporal y los índices inflamatorios como los principales predictores. Los análisis de subgrupos revelaron patrones específicos de cada fenotipo, incluidas direcciones SHAP opuestas para los marcadores inflamatorios entre los grupos con y sin timoma, y clasificaciones distintas entre los diferentes grupos de edad de inicio. Las explicaciones personalizadas basadas en SHAP revelaron variaciones específicas de cada paciente en la clasificación del riesgo y la direccionalidad de las características predictivas. Se desarrolló una calculadora web para respaldar la implementación clínica del modelo en tiempo real, lo que podría permitir la estratificación del riesgo. CONCLUSIONES: Un marco de aprendizaje automático explicable que integra características clínicas con índices de inflamación sistémica predice de forma fiable el ingreso en la UCI en la MG y revela patrones de riesgo específicos de cada fenotipo, lo que permite una estratificación personalizada del riesgo en el manejo de la MG.

  Equivalente de FI de la revista: 0.5 (media de citación a 2 años de OpenAlex, valor al 2026-10-13, obtenido el 2026-10-14; no es el FI oficial de Clarivate)
  Referencia: Chang CC, Lin KY, Yeh JH, Chiu HC, Liu TC, Lu CJ. Modelo explicable de aprendizaje automático para la evaluación personalizada de la necesidad de cuidados intensivos en pacientes con miastenia grave basado en el fenotipo y marcadores inflamatorios. QJM: An International Journal of Medicine. 2026 Oct 12 [Epub ahead of print]. doi:10.1093/qjmed/hcag289.
  Verificado: Solo resumen

Ver los 1 artículos de Miastenia gravis →

Encefalitis autoinmune, CIDP y síndrome de Guillain-Barré: tratamiento, ensayos e IA

No hay ningún artículo nuevo que cumpla los requisitos para esta edición.