AI and Wearables for Early Detection of Cognitive Impairment and Dementia: Systematic Review
Saved in:
Cejudo, A., et al., AI and Wearables for Early Detection of Cognitive Impairment and Dementia: Systematic Review. Journal of Medical Internet Research, vol. 27, 2025, 22 p.
Ref.
610327
Location:
SIIS Archivo
Palabras clave:
Personas mayores, Detección precoz, Prevención, Deterioro cognitivo, Demencia, Dependencia, Nuevas tecnologías, Internet, Inteligencia, Evaluación, Sueño, Ejercicio físico, Factor de riesgo, Literatura científica, Panorama internacional
Personas mayores, Detección precoz, Prevención, Deterioro cognitivo, Demencia, Dependencia, Nuevas tecnologías, Internet, Inteligencia, Evaluación, Sueño, Ejercicio físico, Factor de riesgo, Literatura científica, Panorama internacional
Abstract:
Las evaluaciones cognitivas tradicionales se basan en valoraciones clínicas puntuales y pueden pasar por alto cambios tempranos que preceden al deterioro cognitivo y la demencia. Las tecnologías de salud móviles y portátiles permiten la monitorización continua del sueño, la actividad física y los ritmos circadianos, generando biomarcadores digitales que pueden contribuir a la detección y prevención tempranas a gran escala. Sin embargo, la evidencia actual se encuentra fragmentada en cuanto a dispositivos, enfoques analíticos y resultados cognitivos. Este estudio sintetiza y evalúa críticamente la evidencia reciente sobre dispositivos portátiles para la detección y prevención tempranas del deterioro cognitivo y la demencia, centrándose en las categorías de dispositivos, los resultados cognitivos, los enfoques analíticos y la relevancia para la prevención.<br><br>Los análisis estadísticos vincularon la alteración del sueño, la fragmentación del ritmo circadiano y los patrones de actividad irregulares con peores resultados cognitivos, con tamaños del efecto de modestos a moderados. Los enfoques de aprendizaje automático y aprendizaje profundo informaron un rendimiento de clasificación con valores del área bajo la curva entre aproximadamente 0,70 y 0,95. Aproximadamente una cuarta parte de los estudios (13/49, 26,5 %) abordaron la detección temprana o la prevención mediante la estimación longitudinal del riesgo o el modelado predictivo. Las principales limitaciones incluyeron tamaños de muestra pequeños, duraciones de monitorización cortas y una validación externa limitada.<br><br>Los marcadores conductuales derivados de dispositivos portátiles son prometedores para la estratificación temprana del riesgo. Esta revisión impulsa el campo al pasar de las asociaciones descriptivas a un marco de fenotipado digital que evalúa la predicción basada en inteligencia artificial en la ventana preclínica. A diferencia de revisiones anteriores centradas en la demencia establecida, diferencia la evidencia predictiva directa de los hallazgos correlacionales indirectos y evalúa críticamente la madurez metodológica. La monitorización continua y pasiva puede permitir la detección escalable de cambios conductuales sutiles, lo que respalda estrategias de reducción de riesgos más tempranas y personalizadas.
Las evaluaciones cognitivas tradicionales se basan en valoraciones clínicas puntuales y pueden pasar por alto cambios tempranos que preceden al deterioro cognitivo y la demencia. Las tecnologías de salud móviles y portátiles permiten la monitorización continua del sueño, la actividad física y los ritmos circadianos, generando biomarcadores digitales que pueden contribuir a la detección y prevención tempranas a gran escala. Sin embargo, la evidencia actual se encuentra fragmentada en cuanto a dispositivos, enfoques analíticos y resultados cognitivos. Este estudio sintetiza y evalúa críticamente la evidencia reciente sobre dispositivos portátiles para la detección y prevención tempranas del deterioro cognitivo y la demencia, centrándose en las categorías de dispositivos, los resultados cognitivos, los enfoques analíticos y la relevancia para la prevención.<br><br>Los análisis estadísticos vincularon la alteración del sueño, la fragmentación del ritmo circadiano y los patrones de actividad irregulares con peores resultados cognitivos, con tamaños del efecto de modestos a moderados. Los enfoques de aprendizaje automático y aprendizaje profundo informaron un rendimiento de clasificación con valores del área bajo la curva entre aproximadamente 0,70 y 0,95. Aproximadamente una cuarta parte de los estudios (13/49, 26,5 %) abordaron la detección temprana o la prevención mediante la estimación longitudinal del riesgo o el modelado predictivo. Las principales limitaciones incluyeron tamaños de muestra pequeños, duraciones de monitorización cortas y una validación externa limitada.<br><br>Los marcadores conductuales derivados de dispositivos portátiles son prometedores para la estratificación temprana del riesgo. Esta revisión impulsa el campo al pasar de las asociaciones descriptivas a un marco de fenotipado digital que evalúa la predicción basada en inteligencia artificial en la ventana preclínica. A diferencia de revisiones anteriores centradas en la demencia establecida, diferencia la evidencia predictiva directa de los hallazgos correlacionales indirectos y evalúa críticamente la madurez metodológica. La monitorización continua y pasiva puede permitir la detección escalable de cambios conductuales sutiles, lo que respalda estrategias de reducción de riesgos más tempranas y personalizadas.