Tu frecuencia cardíaca y el flujo sanguíneo pueden predecir la agudeza mental

El deterioro cognitivo es notoriamente difícil de monitorizar en personas sanas: las pruebas estándar son engorrosas, requieren entornos clínicos y no son prácticas para un uso frecuente. Un creciente volumen de investigación vincula la aptitud cardiovascular y la función del sistema nervioso autónomo con la salud cerebral, pero desentrañar esas relaciones complejas y multidimensionales ha supuesto un reto para la estadística tradicional. Este estudio se preguntó si el aprendizaje automático podría salvar esa brecha.

Investigadores de la Universidad Médica de Kaohsiung reclutaron a 240 adultos sanos y registraron 39 variables fisiológicas que abarcaban la función cardiovascular, medidas del gasto cardíaco e índices de variabilidad de la frecuencia cardíaca. Los participantes también completaron el Trail Making Test (TMT), una evaluación cognitiva ampliamente utilizada que mide la velocidad de procesamiento y la función ejecutiva. El tiempo de realización del TMT se dividió en la mediana para crear grupos de rendimiento alto y bajo, y se probaron múltiples clasificadores de aprendizaje automático bajo una rigurosa validación cruzada.

Un modelo de bosque aleatorio que empleaba diez características seleccionadas mediante eliminación recursiva de características obtuvo los mejores resultados, con una precisión del 70,83%, una puntuación F1 del 71,38% y un AUC de 71,2%. El análisis SHAP —una herramienta de interpretabilidad— reveló qué variables impulsaban las predicciones con mayor fuerza. Una mayor edad, una frecuencia cardíaca en reposo más elevada y una resistencia vascular sistémica alta orientaban las predicciones hacia un rendimiento cognitivo más lento. Por el contrario, un mayor volumen sistólico, un gasto cardíaco más alto y marcadores parasimpáticos más pronunciados —como la variabilidad de la frecuencia cardíaca de alta frecuencia y la arritmia sinusal respiratoria— predijeron una realización más rápida del TMT.

Las implicaciones clínicas son significativas. La mayoría de las características predictivas principales son directamente modificables mediante ejercicio aeróbico, reducción del estrés y optimización del estilo de vida, lo que ofrece a clínicos e individuos objetivos concretos sobre los que actuar. Los autores también destacan el potencial de los dispositivos vestibles para capturar muchas de estas métricas de forma pasiva, abriendo la puerta a una monitorización continua y poco invasiva de la salud cognitiva.

Entre las limitaciones se encuentran el diseño transversal, que impide extraer conclusiones causales, el tamaño muestral moderado y la variable de resultado binaria, que pierde matices. La generalización más allá de la población del estudio taiwanesa está aún por establecer, y la precisión del modelo, aunque prometedora, no es por sí sola suficiente para el uso clínico.