Objetivos: Describir la precisión diagnóstica de un algoritmo de aprendizaje automático sobre casos reales para identificar pacientes con enfermedad de Parkinson (EP) candidatos a terapias de segunda línea (TSL) y definir los valores que elige el modelo para los ítems del “5-2-1”: tomas de levodopa/día, horas en off o con discinesias limitantes, respectivamente.

Material y métodos: DELIST-PD es un estudio transversal, multicéntrico, nacional (9 Unidades de Trastornos del Movimiento), que seleccionó pacientes consecutivos con EP según muestreo por conglomerados (aproximadamente 25% candidatos a TSL y 50% en fase avanzada). La decisión del neurólogo experto en la indicación de TSL fue el gold standard y las variables predictoras fueron entre otras: horas en off/on y con/sin discinesias limitantes, tomas de levodopa/día, índice de Charlson, calidad de vida (PDQ-8), situación cognitiva (GDS) y cuestionario CDEPA. Se entrenó el algoritmo Catboost balanceado con validación estratificada cruzada (10 folds) y Sequential Forward Selection para ordenar las variables por importancia.

Resultados: Se incluyeron 1.086 pacientes (69,6 ± 10,5 años, 57% varones). Un 43% (463) en fase avanzada, entre ellos 42% (194) candidatos a TSL. La precisión (balanced accuracy) de Catboost fue del 89% y ABC-ROC 95% (S = 91%; E = 88%). El algoritmo seleccionó como disyuntiva en la decisión de indicación de TSL ≥ 4 tomas de levodopa/día y/o ≥ 1,8 horas en off (probabilidad por ítem ≥ 55%; combinada ≥ 76%): No hubo muestra suficiente para la categoría de discinesias limitantes.

Conclusión: Este algoritmo de IA basado en la práctica clínica habitual podría facilitar y anticipar la identificación de candidatos a TSL.