Autores: Sara Riggare, Jamie Luckhaus, Therese Scott Duncan, Universidad de Uppsala, Suecia

Revisado por: Ali Saad, PhD, Anigma Technologies; Mónica M. Kurtis, MD, Directora de la Unidad de Trastornos del Movimiento, Hospital Ruber Internacional, Madrid, España

El diagnóstico temprano y preciso de la enfermedad de Parkinson (EP) es fundamental para proporcionar intervenciones adecuadas, planificar el manejo de la enfermedad y mejorar la calidad de vida del paciente. Sin embargo, el diagnóstico sigue siendo principalmente clínico, basado en la historia médica y el examen neurológico, lo que puede generar retrasos o errores, especialmente en fases iniciales. La inteligencia artificial (IA) tiene el potencial de reforzar la labor del neurólogo, proporcionando herramientas objetivas y complementarias que pueden aumentar la precisión y eficiencia del diagnóstico.

¿Cómo podría usarse la IA para detectar Parkinson?

Los algoritmos de aprendizaje automático pueden analizar grandes volúmenes de datos clínicos y biométricos para identificar patrones que distingan entre personas con Parkinson y controles sanos. Esto incluye datos motores y no motores, voz, escritura, marcha y neuroimágenes. Al aprender de estas características, los sistemas de IA podrían detectar la enfermedad en etapas tempranas, incluso antes de que los síntomas sean evidentes para el clínico.

Screening en la vida diaria

Una aplicación prometedora de la IA es el monitoreo remoto mediante dispositivos portátiles o smartphones. Estos dispositivos pueden registrar patrones de movimiento, postura, frecuencia de pasos, temblor y rigidez durante actividades cotidianas. El análisis automático de estos datos mediante IA puede generar alertas tempranas sobre cambios en la función motora que podrían indicar la presencia de EP o su progresión inicial, ofreciendo información complementaria al examen clínico tradicional.

Análisis de voz y escritura

La IA también puede aplicarse al análisis de voz y escritura, que a menudo se ven afectadas en las primeras etapas del Parkinson. Cambios sutiles en la prosodia, articulación, velocidad de escritura o presión sobre el papel pueden ser detectados mediante algoritmos de aprendizaje automático, proporcionando señales tempranas que podrían pasar desapercibidas en un examen clínico estándar.

Neuroimagen y biomarcadores

Otra área de aplicación es el análisis de neuroimagen y biomarcadores. Los algoritmos de IA pueden integrar información de resonancia magnética, SPECT, PET y otros estudios para identificar patrones que diferencien pacientes con EP de controles o de otras enfermedades neurodegenerativas. Esto puede aumentar la precisión diagnóstica y ayudar a estratificar subtipos de Parkinson para tratamientos personalizados.

Consideraciones éticas y de privacidad

El uso de IA en el diagnóstico plantea desafíos éticos importantes. La recopilación de datos sensibles de pacientes, especialmente mediante dispositivos personales y análisis de voz o escritura, requiere un manejo cuidadoso de la privacidad, consentimiento informado y seguridad de los datos. Además, cualquier herramienta de IA debe ser utilizada como apoyo al clínico, no como reemplazo, y sus limitaciones deben comunicarse claramente al paciente.

Beneficios potenciales

Si se implementa correctamente, la IA podría ofrecer múltiples beneficios: detección temprana, diagnóstico más preciso, seguimiento continuo de síntomas y estratificación personalizada de pacientes. Esto podría acelerar la intervención, mejorar la planificación de la atención y, en el futuro, facilitar la aplicación de terapias modificadoras de la enfermedad cuando estén disponibles.

Limitaciones actuales

A pesar del potencial, los modelos de IA aún enfrentan desafíos: necesidad de grandes conjuntos de datos representativos, riesgo de sesgos, variabilidad individual y dificultad de validar algoritmos en entornos clínicos reales. La investigación continúa para garantizar que estas herramientas sean fiables, generalizables y éticamente seguras antes de su adopción clínica masiva.

Conclusión

La IA no reemplazará al neurólogo, pero puede convertirse en un asistente valioso, proporcionando información objetiva y complementaria que refuerce la precisión del diagnóstico del Parkinson, especialmente en etapas tempranas. Su implementación efectiva requiere atención a la ética, la privacidad y la integración cuidadosa en la práctica clínica, asegurando que los pacientes se beneficien sin comprometer su autonomía ni seguridad.

Referencias

[1] Shokrpour, S. et al. Machine learning for Parkinson’s disease: a comprehensive review of datasets, algorithms, and challenges. npj Parkinsons Dis. 11, 187 (2025). https://www.nature.com/articles/s41531-025-01025-9 

[2] Schalkamp, A. K., et al. Wearable movement-tracking data identify Parkinson’s disease years before clinical diagnosis. Nature Medicine 29, 2048-2056 (2023). https://doi.org/10.1038/s41591-023-02440-2  

[3] Sotirakis, H. et al. D3.2 / First report on predictive modelling for PD. Zenodo (2025). https://doi.org/10.5281/zenodo.15542465  

[4] Iakovakis, D., et al. Touchscreen typing-pattern analysis for detecting fine motor skills decline in early-stage Parkinson’s disease. Scientific reports 8, 1-13 (2018). https://doi.org/10.1038/s41598-018-25999-0  

[5] Papadopoulos, A., et al. Unobtrusive detection of Parkinson’s disease from multi-modal and in-the-wild sensor data using deep learning techniques. Scientific reports 10, 21370 (2020). https://doi.org/10.1038/s41598-020-78418-8  

[6] Laganas, C., et al. Parkinson’s disease detection based on running speech data from phone calls. IEEE Transactions on Biomedical Engineering 69, 1573-1584 (2021). https://doi.org/10.1109/tbme.2021.3116935 

[7] Shen, M., Mortezaagha, P. & Rahgozar, A. Explainable artificial intelligence to diagnose early Parkinson’s disease via voice analysis. Sci Rep 15, 11687 (2025). https://www.nature.com/articles/s41598-025-96575-6 

[8] Chatzichristos, C., et al. D3.1 / First report on digital biomarkers for PD. Zenodo 2025. https://doi.org/10.5281/zenodo.15542385  

[9] Vaillancourt, D. E. et al. Automated Imaging Differentiation for Parkinsonism. JAMA Neurol 82, 495 (2025). https://jamanetwork.com/journals/jamaneurology/fullarticle/2831631  

[10] Searles Nielsen, S. et al. A predictive model to identify Parkinson disease from administrative claims data. Neurology 89, 1448–1456 (2017). https://www.neurology.org/doi/10.1212/WNL.0000000000004536 

[11] Vilhekar, R. S., & Rawekar, A. (2024). Artificial Intelligence in Genetics. Cureus, 16(1), e52035. https://doi.org/10.7759/cureus.52035  

[12] Funayama, M., Nishioka, K., Li, Y., & Hattori, N. (2023). Molecular genetics of Parkinson's disease: Contributions and global trends. Journal of human genetics, 68(3), 125–130. https://doi.org/10.1038/s10038-022-01058-5  

[13] Sigala, R. E., Lagou, V., Shmeliov, A., Atito, S., Kouchaki, S., Awais, M., Prokopenko, I., Mahdi, A., & Demirkan, A. (2023). Machine Learning to Advance Human Genome-Wide Association Studies. Genes, 15(1), 34. https://doi.org/10.3390/genes15010034  

[14] Pihlstrøm, L., et al. Genetic stratification of age‐dependent parkinson’s disease risk by polygenic hazard score. Movement Disorders, 37(1), 62–69. (2021). https://doi.org/10.1002/mds.28808  

[15] Mahlknecht, P. et al. Preferences regarding Disclosure of Risk for Parkinson’s Disease in a Population‐based Study. Movement Disord Clin Pract 12, 203–209 (2025). https://movementdisorders.onlinelibrary.wiley.com/doi/10.1002/mdc3.14264 

[16] Van Den Heuvel L, et al. Perspectives of people living with Parkinson’s disease on personalized prediction models. Health Expect. 2022 Aug;25(4):1580–90. 

[17] Schaeffer, E. et al. Patients’ views on the ethical challenges of early Parkinson disease detection. Neurology 94, e2037–e2044 (2020). 

[18] Luckhaus, J. L., et al.  Balancing hope and harm: A qualitative exploration of ethical aspects of using AI in Parkinson’s disease (Preprint). JMIR Preprints. (2025). https://doi.org/10.2196/preprints.74144