IA y enfermedades neurológicas raras & neuroinmunes ── 2026-10-22
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） · Párkinson（0） · Neurodegeneración hereditaria（0） · Neuromuscular（1） · Esclerosis múltiple（1） · NMOSD/MOGAD（0） · Miastenia gravis（0） · 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
No hay ningún artículo nuevo que cumpla los requisitos para esta edición.
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
- Resumen
Antecedentes: El nusinersen ha aumentado sustancialmente la supervivencia y mejorado la progresión de la enfermedad en pacientes con Atrofia Muscular Espinal (AME). Sin embargo, la respuesta al tratamiento es heterogénea, con algunos pacientes que logran sentarse y caminar mientras otros muestran cambios menos evidentes. Método A partir del SMA Reach UK y de la red italiana Telethon, se incluyeron 124 pacientes con AME no sentantes tratados con nusinersen durante menos de 4 años, asignados aleatoriamente a entrenamiento y prueba (80/20%). Se compararon algoritmos de aprendizaje automático basados en árboles y en regresión para resultados de supervivencia, y se seleccionaron bosques aleatorios oblicuos, con un C-Index de prueba de 0.74. Las características se seleccionaron de los ítems de las evaluaciones de función motora CHOP-INTEND y HINE-2, y del estado respiratorio y de deglución, mediante información mutua.
Hallazgos: Sesenta y dos pacientes (50%) lograron la sedestación, a una edad mediana de 2.4 años. El tiempo mediano previsto hasta la sedestación en quienes requerían alimentación por sonda al inicio del tratamiento fue 4 meses posterior al de quienes no la requerían, y este fue el factor más influyente. Características específicas de la función motora, como la capacidad de dar patadas en supino, se asociaron fuertemente con una mayor probabilidad de sedestación.
Interpretación: Este trabajo proporciona un marco para predecir la respuesta al nusinersen y representa la primera etapa del asesoramiento personalizado sobre planes de tratamiento para la AME.
Financiación: El apoyo a SMA Reach es proporcionado por Biogen, Roche y Novartis, y en el pasado por el NIHR BRC, SMA Trust, el MRC Translational Research Centre y MD UK. El apoyo a la red italiana es proporcionado por Famiglie SMA, Telethon (GSP 13002) y ASAMSI.
Equivalente de FI de revista: 3.2 (cita media a 2 años de OpenAlex, valor con fecha 2026-10-21, recuperado el 2026-10-22; no es el FI oficial de Clarivate)Referencia: Stimpson G, O'Reilly E, Coratti G, Ridout D, Chakraborti T, Mitra R, et al. El aprendizaje automático predice la respuesta al tratamiento con nusinersen en la atrofia muscular espinal no sentante (AME). J Neuromuscul Dis. 2026 Oct 20 [Epub ahead of print]. doi:10.1177/22143602261496327. PMID: 42900957.Verificado: Solo resumen
Ver todos los 1 artículos sobre neuromusculares →
Esclerosis múltiple: tratamiento, ensayos e IA
- Resumen
Introducción: La resonancia magnética (RM) revela la carga macroscópica de lesiones en la esclerosis múltiple (EM), pero se correlaciona poco con el fenotipo clínico, un fenómeno conocido como la paradoja clínico-radiológica. Si bien las métricas de la imagen por tensor de difusión (DTI) evalúan el daño microestructural, el promedio estándar de toda la lesión puede ocultar la materia blanca microestructuralmente preservada dentro de placas heterogéneas.
Métodos: Proponemos un flujo de trabajo totalmente automatizado y multimodal para identificar y cuantificar segmentos intralesionales tipo referencia (RLIS) dentro de las lesiones de EM (es decir, el clúster que exhibe la máxima similitud en el espacio de características con el tejido de referencia específico del sujeto, libre de lesiones). Una U-Net 2.5D modificada, desarrollada y evaluada en una cohorte de 75 pacientes con EM (115 series), realizó la segmentación automatizada de lesiones en FLAIR. En una cohorte independiente de 100 sujetos con EM, se extrajeron métricas intralesionales de DTI (FA y MD) a lo largo de streamlines reconstruidos mediante tractografía de Deconvolución Esférica Restringida. Algoritmos de agrupamiento no supervisado, validados contra streamlines de referencia del CST específicos del sujeto y libres de lesiones (cápsula interna), identificaron segmentos tipo referencia definidos operativamente.
Resultados: La U-Net 2.5D logró un rendimiento de segmentación robusto (DSC: 0.732, VC: 0.954) y mostró métricas nominales más altas en una comparación contextual de benchmark (DSC: 0.682, VC: 0.864). En toda la cohorte clínica, el número de lesiones (11–131) y el volumen (0.54–57.3 mL) variaron ampliamente. Entre los métodos de agrupamiento evaluados, K-Means y los Modelos de Mezcla Gaussiana resultaron ser los más conservadores, al identificar proporciones medianas de segmentos similares a la referencia del 26% y del 22%, respectivamente. Crucialmente, la proporción de segmentos intralesionales similares a la referencia no mostró una asociación monótona significativa con el volumen ni el número de lesiones macroscópicas.
Conclusión: Este marco automatizado integra con éxito una segmentación de lesiones robusta basada en aprendizaje profundo con un análisis específico de tractos para cuantificar la proporción de segmentos intralesionales similares a la referencia. La disociación observada entre la carga lesional total y el RLIS sugiere que este índice sirve como una métrica candidata prometedora para explorar características microestructurales que pueden contribuir a la paradoja clínico-radiológica.
Equivalente de FI de revista: 3.6 (cita media a 2 años de OpenAlex, valor con fecha 2026-10-21, recuperado el 2026-10-22; no es el FI oficial de Clarivate)Referencia: Toscano-Flores EA, Mireles-Ramírez MA, Guerrero-García JdJ, Alvarez-Padilla FJ. Revisitando la paradoja de la EM: la segmentación automatizada de FLAIR en 2.5D y el perfilado microestructural con DTI revelan una disociación entre la carga lesional y los perfiles de tractos intralesionales tipo referencia. Front Hum Neurosci. 2026 Oct 20;20:1901702. doi:10.3389/fnhum.2026.1901702.Verificado: Solo resumen
Ver todos los 1 artículos sobre esclerosis múltiple →
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
No hay ningún artículo nuevo que cumpla los requisitos para esta edición.
Encefalitis autoinmune, CIDP y síndrome de Guillain-Barré: tratamiento, ensayos e IA
No hay ningún artículo nuevo que cumpla los requisitos para esta edición.