Nuevo paper en “Scientific Reports”, colección “Machine learning in Pyschology” (editorial Nature)
“Machine learning based digital assessment of mild cognitive impairment using mouse trajectories during the trail making test“
Gustavo E. Juantorena, Gianluca Capelo, Betsabe D. Leon Vallejos, Agustin Ibáñez, Agustin Petroni, Waleska Berrios, María Cecilia Fernández & Juan E. Kamienkowski
Llevamos un test clásico de la neuropsicología, el Trail Making Test, que se hace en lápiz y papel desde hace más de 80 años, a una versión digital. Pero no nos quedamos en medir cuánto tarda cada persona en completar la tarea.
Registramos los movimientos del mouse con alta resolución y analizamos velocidad, pausas, aceleración y desviaciones respecto del recorrido más directo. Con esas variables entrenamos modelos de Machine Learning para ver si esos patrones ayudaban a identificar deterioro cognitivo leve.
En 74 adultos mayores, los patrones de movimiento permitieron distinguir participantes con deterioro cognitivo leve de controles sanos. El modelo que combinó las características del mouse con datos demográficos alcanzó un AUC de 0,70, acercándose al rendimiento de la batería neuropsicológica de referencia (AUC = 0,76).
La diferencia: ese 0,76 sale de una batería completa administrada por especialistas. El 0,70 sale de una sola tarea, en pocos minutos y sin intervención de un profesional durante la evaluación.
Además, sumamos una capa de interpretabilidad con SHAP para ver qué características pesaban más en las decisiones del modelo, algo clave para entender qué del movimiento aporta la señal y no quedarnos solo con el número.
Lo interesante es que aparece información que no se ve cuando solo medimos el tiempo. Esta herramienta no busca reemplazar la evaluación clínica: la idea es explorar cómo una computadora y un mouse comunes pueden aportar medidas adicionales y más detalladas durante una evaluación neuropsicológica.
Link al paper: https://www.nature.com/articles/s41598-026-62955-9