MONTREAL COGNITIVE ASSESSMENT

EVALUACIÓN COGNITIVA MONTREAL

Versión 8.1 Spanis(Spain)

Nombre:
Fecha de nacimiento:
Sexo:
Nivel de estudios:
VISIOESPACIAL / EJECUTIVA
Copiar el cubo Puntaje maximo
1

Se asigna un punto si se realiza el dibujo correctamente

  • El dibujo debe ser tridimensional.
  • Todas las líneas están presentes.
  • Sin espacios o con poco espacio entre las líneas.
  • No se añaden líneas.
  • Debe mantenerse la orientación espacial del cubo.
Sección 1 · cube_fitter.py

Ajuste Paramétrico Rígido sobre Tinta Real

Película Continua §1 — Cube Fitter Completo (00_continuo_completo.mp4 · 103.0 s)

EL PROBLEMA GEOMÉTRICO

Figura 1.1 · 16.0 s

Pedirle a un modelo de visión que prediga 8 esquinas independientes ($v_1, \dots, v_8 \in \mathbb{R}^2$, es decir, 16 coordenadas sueltas) es intrínsecamente inestable: ante la misma fotografía, pequeñas variaciones producen esqueletos distintos.

Peor aún: si permitimos que los 8 vértices se adhieran libremente a la tinta más cercana, cada esquina persigue las oscilaciones del pulso del paciente por separado y destruye el paralelismo de las caras.

Fig. 1.1 — Inestabilidad de 8 vértices libres sobre el trazo real de un paciente
$$\dim(\text{Vértices libres}) = 8 \times 2 = 16\text{ GDL} \implies \text{Cero garantía de caras paralelas}$$

LA SOLUCIÓN MATEMÁTICA

Figura 1.2 · 19.5 s

En lugar de 16 coordenadas sueltas, cube_fitter.py describe el cubo rígido con un vector de 9 parámetros: posición y tamaño de la cara frontal ($c_x, c_y, w, h$), orientación e inclinación afín ($\theta, k$), y desplazamiento y escala de la cara trasera ($d_x, d_y, s$).

Así, las aristas paralelas y las caras congruentes se cumplen por construcción algebraica: el optimizador nunca puede producir un cubo geométricamente imposible.

Fig. 1.2 — Activación secuencial de los 9 grados de libertad del modelo rígido
$$\boldsymbol{\theta} = \underbrace{(c_x, c_y, w, h)}_{\text{Cara frontal (4)}} \oplus \underbrace{(\theta, k)}_{\text{Rotación y cizalla (2)}} \oplus \underbrace{(d_x, d_y, s)}_{\text{Profundidad y escala (3)}} \in \mathbb{R}^9$$

TRANSFORMADA DE DISTANCIA Y OPTIMIZACIÓN MULTI-ESCALA

Convertimos el dibujo en un campo topográfico continuo mediante la transformada de distancia euclidiana de OpenCV hacia la tinta más cercana. El optimizador evalúa múltiples arranques iniciales, refina primero en un lienzo grueso de 256 px y pule el encaje en 512 px hasta minimizar el residuo bidireccional por debajo del umbral clínico ($\text{residual\_norm} < 0.030$).

Fig. 1.3A — Campo de distancia real + encaje 256 px → 512 px
Fig. 1.3B — Curva de convergencia de residual_norm (0.142 → 0.019)
$$\text{residual\_norm}(\boldsymbol{\theta}) = \frac{d(\mathcal{M}(\boldsymbol{\theta}) \to \mathcal{I}) + d(\mathcal{I} \to \mathcal{M}(\boldsymbol{\theta}))}{D} : \; 0.142 \xrightarrow{256\text{ px}} 0.034 \xrightarrow{512\text{ px}} 0.019 < 0.030$$

VEREDICTO GEOMÉTRICO: CASOS CLÍNICOS REALES

Figura 1.4A · 13.6 s

Un residuo bajo por sí solo no garantiza tridimensionalidad: un cuadrado plano también logra residuo mínimo colapsando su profundidad a cero. Combinamos tres invariantes (residual_norm, edge_support y depth_frac) para separar cubo, plano y no_cubo sobre trazos reales de pacientes.

Fig. 1.4A — Cubo completo: residuo 0.019 < 0.030, soporte 0.92 > 0.70, profundidad 0.34
$$\texttt{cubo}: \quad \text{residual\_norm} = 0.019 \;<\; 0.030, \quad \text{edge\_support} = 0.92 \;>\; 0.70, \quad \text{depth\_frac} = 0.34$$
Escudo Clínico
Rescate Geométrico
Si cube_fitter confirma un cubo válido en la tinta pero el detector de vértices falló, se conserva el punto del paciente y se marca para revisión, evitando penalizaciones por error del modelo.
Alerta de Revisión Humana
Sin anulación ciega
Si el modelo otorgó el punto pero el veredicto geométrico es plano o no_cubo, el sistema dispara alerta de revisión clínica y nunca anula de forma autónoma.
Sección 2 · 21 Biomarcadores Continuos

Forma Global (5), Calidad del Trazo (7) y Espacialidad 3D (9)

Película Continua §2 — Las 21 Métricas por Familias (00_metricas_continuo.mp4 · 98.8 s)

FAMILIA 1 · FORMA (5 MÉTRICAS)

Figuras 2.1A – 2.1B · cube_fitter.py

Evalúa qué tanto falta y cuánto sobra entre el cubo paramétrico ajustado y la tinta real del paciente, normalizando las distancias por la diagonal $D$ del dibujo para hacer las mediciones invariantes al tamaño del trazo.

Fig. 2.1A — e_a_norm, e_b_norm y residual_norm
Fig. 2.1B — edge_support (12 aristas) y depth_frac
1. e_a_norm
Cubo → Tinta
Mide cuánto del cubo ideal cae fuera de la tinta del paciente. Sube cuando faltan aristas o hay trazos incompletos.
2. e_b_norm
Tinta → Cubo
Mide cuánta tinta del paciente no queda explicada por el cubo. Sube con garabatos, trazos extra o correcciones sueltas.
3. residual_norm
Error total · φ
Error total bidireccional $e_a + e_b$ normalizado por la diagonal $D$. Por debajo de 0.030 el trazo se explica como cubo; por encima de 0.045 se rechaza estructuralmente.
4. edge_support
Cobertura 12 Aristas
Fracción de las 12 aristas del cubo paramétrico que cuentan con tinta real en su vecindad. Detecta cubos incompletos o con caras abiertas que aun así logran bajo residuo.
5. depth_frac
Extrusión 3D
Desplazamiento entre cara frontal y trasera dividido por el lado mayor frontal. Separa un cubo 3D de un cuadrado plano ($0.00$).

FAMILIA 2 · TRAZO (7 MÉTRICAS)

Figuras 2.2A – 2.2B · ink_metrics.py

Analiza la calidad neuromotora y topológica de la tinta sobre el dibujo reescalado a diagonal fija ($600\text{ px}$), sin importar qué figura geométrica global represente. Aquí se concentra la mayor señal estadística del estudio.

Fig. 2.2A — tremor_index, stroke_thickness y thickness_cv
Fig. 2.2B — ink_length_norm, n_components, endpoint_density y junction_density
6. tremor_index
Holm · d = +0.63
Desviación RMS entre el contorno real de la línea y su trayectoria suavizada por media móvil, expresada en grosores de trazo. Es la señal motora más fuerte de todo el estudio.
7. stroke_thickness
Calibre
Grosor medio de la línea ($2\bar{r}/D$) medido mediante los círculos máximos inscritos a lo largo del esqueleto.
8. thickness_cv
Presión
Coeficiente de variación del radio a lo largo del trazo ($\sigma_r / \bar{r}$). Sube con presión irregular o repasos sobre trazos finos.
9. ink_length_norm
Longitud
Longitud total del esqueleto de tinta dividida por la diagonal ($L_{\text{total}}/D$). Sube al repasar varias veces la misma arista.
10. n_components
Holm · d = +0.40
Número de piezas desconectadas de tinta. Un cubo trazado de corrido da 1; sube con levantes de lápiz y esquinas abiertas.
11. endpoint_density
Holm · d = +0.47
Puntas sueltas (píxeles del esqueleto con exactamente 1 vecino) por unidad de longitud. Mide líneas que no llegan a cerrarse.
12. junction_density
Cruces
Bifurcaciones ($\ge 3$ ramas en el esqueleto) por unidad de longitud. Sube cuando los trazos se pasan de largo en las esquinas.

FAMILIA 3 · ESPACIALIDAD 3D (9 MÉTRICAS)

Figuras 2.3A – 2.3C · compute_cube_spatial_metrics

Cuantifica la geometría proyectiva tridimensional del cubo ajustado: proporción entre las 6 caras mediante la fórmula de Shoelace, ortogonalidad en los 24 ángulos internos, inclinación afín (cizalla) y alineación del vector de profundidad respecto al estímulo canónico del MoCA ($+45^\circ$).

Fig. 2.3A — Áreas de las 6 caras
Fig. 2.3B — Ortogonalidad y cizalla
Fig. 2.3C — Vector y perspectiva 45°
13–14. face_area_front / back
Shoelace
Área 2D de la cara frontal y trasera dividida por $D^2$. Mide la proporción espacial de las dos caras principales.
15–16. depth_area / area_cv
6 Caras
Superficie proyectada de las 4 caras laterales sobre $2A_{\text{front}}$ (tiende a 0 en figuras planas) y coeficiente de variación $\sigma_A/\mu_A$ entre las 6 caras del cubo.
17. shear_k
Holm · d = +0.36
Magnitud $|k|$ de inclinación oblicua de la cara frontal (0 = rectángulo ortogonal; crece cuando se deforma en romboide). Única métrica espacial que supera la corrección de Holm.
18–19. mean / max_ortho_dev
24 Ángulos
Desvío promedio y máximo $|\alpha_i - 90^\circ|$ en grados a través de los 24 ángulos internos de las 6 caras del cubo.
20–21. depth_vec / persp_err
Eje +45°
Norma euclidiana del vector de profundidad $\sqrt{d_x^2 + d_y^2}/D$ y diferencia angular respecto al cubo canónico del MoCA ($+45^\circ$).
Sección 3 · cohort_all.csv (165 Casos · 43 Controles)

Resultados del Estudio: Efecto, Edad, Combinatoria y Clasificador

Película Continua §3 — Resultados Caso-Control y Clasificador (00_resultados_continuo.mp4 · 66.0 s)

SEPARAR PROMEDIOS NO ES SEPARAR PERSONAS

Figura 3.1 · 13.4 s

Un $p$-valor significativo dice que los dos promedios poblacionales no son iguales, pero el tamaño de efecto de la mejor métrica (tremor_index, $d = +0.63$) deja un 75.3 % de solapamiento entre la distribución de controles ($n = 43$) y la de casos ($n = 163$, $\text{AUC} \approx 0.68$). Para diagnosticar a un paciente individual con $\text{AUC} > 0.80$ haría falta un efecto de al menos $d \ge 1.70$.

Fig. 3.1 — Evolución de campanas normales desde d = 0.00 hasta d = +0.63 (real) y d = +1.70 (diagnóstico)
$$\text{OVL}(d) = 2\,\Phi\!\left(-\frac{|d|}{2}\right) \implies \text{Para } d = +0.63:\; \text{OVL} = 75.3\%, \quad \Phi(d/2) = 0.624$$

LA SEÑAL ESTÁ EN EL TRAZO, NO EN LA FORMA GLOBAL

Figura 3.2 · 11.9 s

Tras corregir por comparaciones múltiples con Holm-Bonferroni dentro de cada familia, ninguna métrica de Forma rechaza $H_0$ ($d \le 0.31$). Solo cuatro pruebas superan el umbral ajustado: tres de Trazo (tremor_index, endpoint_density, n_components) y una de Espacialidad 3D (shear_k). La mano tiembla y levanta el lápiz antes de que falle la geometría global.

Fig. 3.2 — Gráfico de Volcán: tamaño de efecto d vs. −log₁₀(p_Holm) en las 21 pruebas
$$\text{Rechazan } H_0 \text{ (Holm)} = \{\texttt{tremor\_index }(+0.63),\; \texttt{endpoint\_density }(+0.47),\; \texttt{n\_components }(+0.40),\; \texttt{shear\_k }(+0.36)\}$$

LA EDAD EXPLICA GRAN PARTE DE LA DIFERENCIA OBSERVADA

Figura 3.3 · 13.7 s

Los casos son en promedio 16.1 años mayores que los controles ($64.1$ frente a $48.0$ años, $g = +0.92$), y el temblor correlaciona con la edad incluso dentro de los controles sanos ($r = +0.26$). Al descontar linealmente la edad, el efecto de tremor_index cae un 27 % ($+0.63 \to +0.46$), y al emparejar por edad ($\le 5$ años) todos los intervalos de confianza cruzan el cero.

Fig. 3.3 — Forest Plot dinámico: efecto crudo → ajustado linealmente por edad → emparejado (≤ 5 años)
$$d_{\text{tremor}}:\quad +0.63\text{ (Crudo)} \;\longrightarrow\; +0.46\text{ (Ajustado por edad)} \;\longrightarrow\; +0.18\text{ (Emparejado, IC 95\% cruza } 0\text{)}$$

COMBINAR MÉTRICAS NO SUPERA LO QUE YA DA TREMOR_INDEX

Figura 3.4 · 14.1 s

Al buscar la mejor combinación entre 1330 ternas ($k = 3$), el máximo observado alcanza $D = 0.89$ (tremor_index + thickness_cv + perspective_error, proyectado sobre el Eje Discriminante de Fisher 1D con $\text{AUC}_{\text{LOO}} = 0.70$). Sin embargo, bajo 2000 permutaciones el percentil 95 del puro azar sube al mismo ritmo ($0.52 \to 0.64 \to 0.73$). Tras quitar la edad, el margen real sobre el azar cae a solo $+0.04$ ($p \approx 0.03$).

Fig. 3.4 — Proyección al eje de Fisher 1D y comparación k = 1, 2, 3 frente al piso del azar (2000 permutaciones)
$$\Delta D_{\text{neto}}(k=3) = D_{\text{obs}} - D_{p95,\text{azar}} = 0.89 - 0.73 = +0.16 \;\xrightarrow{\text{sin edad}}\; +0.04$$

CONCLUSIÓN CLÍNICA: DIFERENCIA POBLACIONAL SÍ, CLASIFICADOR INDIVIDUAL NO

Figura 3.5 · 11.7 s

Con un 79 % de casos, la accuracy cruda engaña (predecir siempre «caso» da $0.79$, pero $\text{Accuracy Balanceada} = 0.50$). En validación 70/30 repetida 200 veces sin fuga de datos, la familia Trazo es la más estable (no memoriza, brecha $\approx 0$) y logra 0.62 de accuracy balanceada, exactamente el techo teórico $\Phi(d/2)$. La edad sola clasifica mejor (0.69), los modelos con 21 variables sobreajustan en entrenamiento ($+0.15$) y en la cohorte emparejada por edad ($n = 56$) todos los clasificadores colapsan al azar ($0.50$).

Fig. 3.5 — Accuracy Balanceada (70/30 · 200 splits), brecha Train–Test de overfitting y cohorte emparejada
Referencia: Solo Edad
Bal. Acc = 0.69
Supera a cualquier modelo entrenado únicamente con métricas geométricas o de trazo del dibujo del cubo.
Centroide · Trazo
Bal. Acc = 0.62
Modelo más estable sobre el cubo: brecha Train–Test nula y exactitud idéntica al límite teórico $\Phi(d/2) = 0.624$.
k-NN / Logística (21 vars)
Overfitting +0.15
Memorizan el conjunto de entrenamiento sin mejorar en prueba. En cohorte emparejada por edad ($n = 56$), colapsan a $0.50$.
Anexo · Guía de Lectura Abierta

Glosario Matemático-Clínico y Referencias Bibliográficas

↑ Volver a la hoja MoCA 8.1

ANEXO A · GUÍA DE CONCEPTOS PARA TODO PÚBLICO

Geometría · Estadística · Validación

Esta sección traduce en términos directos los conceptos geométricos, estadísticos y de validación mencionados a lo largo del artículo, de modo que cualquier lector —desde el ámbito clínico hasta el de ingeniería— pueda seguir el razonamiento completo sin requisitos previos.

Transformada de Distancia
Visión · OpenCV
Asigna a cada píxel del papel su distancia euclidiana a la tinta más cercana. Convierte un dibujo en blanco y negro en un «terreno con valles» donde el optimizador puede deslizar el cubo rígido hasta encajar sobre los trazos.
Grados de Libertad (GDL) y Cizalla k
Geometría Rígida
Los GDL son los números independientes necesarios para fijar una figura. Ocho vértices sueltos exigen 16 números y pueden deformarse sin límite; nuestro modelo usa 9 parámetros que imponen caras paralelas por construcción. La cizalla $|k|$ mide cuánto se inclina un rectángulo hacia un romboide.
Shoelace y Esqueleto
Morfología 2D
La fórmula de Shoelace calcula el área exacta de un polígono desde sus vértices ordenados. La esqueletización adelgaza la tinta a 1 píxel de grosor manteniendo su conectividad para contar puntas sueltas (endpoint) y cruces (junction).
Cohen d y Solapamiento
Efecto
Mide cuántas desviaciones estándar separan los promedios de dos grupos. Un efecto moderado ($d = 0.63$) deja un 75.3 % de área compartida entre campanas: distingue grupos, pero no individuos aislados.
Corrección de Holm
Comparaciones Múltiples
Cuando se ejecutan 21 pruebas estadísticas seguidas, aumenta la probabilidad de hallar falsos positivos por puro azar. El método secuencial de Holm-Bonferroni endurece el umbral de significancia para controlar el error global ($p_{\text{Holm}} < 0.05$).
Confusor de Edad
Sesgo Demográfico
Una variable confusora se asocia a la vez con el grupo clínico y con la métrica medida. Si los casos son 16 años mayores y la edad aumenta el temblor incluso en sanos, parte de la diferencia observada proviene del envejecimiento, no solo del deterioro cognitivo.
Permutaciones
Prueba Nula
Baraja al azar las etiquetas de casos y controles 2000 veces y repite la búsqueda de la mejor terna entre 1330 combinaciones. Así revela qué tan alto llega el resultado por simple azar ($D_{p95}$).
Eje de Fisher y Mahalanobis D
Multivariado
Proyecta varias métricas (ej. 3 variables) sobre la única dirección 1D que maximiza la separación entre grupos respecto a su dispersión interna. La distancia $D$ generaliza Cohen $d$ a múltiples dimensiones.
Accuracy Balanceada
Cohortes Desbalanceadas
Promedio equitativo entre la tasa de acierto en casos (sensibilidad) y en controles (especificidad). Cuando el 79 % de la muestra son casos, un modelo trivial que responde siempre «caso» obtiene 0.79 de accuracy cruda, pero exactamente 0.50 de accuracy balanceada (puro azar).
Overfitting (70/30)
Generalización
Ocurre cuando un modelo con muchas variables memoriza el ruido del 70 % de entrenamiento (alta nota interna) pero fracasa al evaluar pacientes nuevos del 30 % de prueba.

ANEXO B · REFERENCIAS BIBLIOGRÁFICAS Y FUENTES

Literatura Base · 7 Referencias
  1. [1]
    Nasreddine, Z. S., Phillips, N. A., Bédirian, V., et al. (2005). The Montreal Cognitive Assessment, MoCA: A Brief Screening Tool for Mild Cognitive Impairment. Journal of the American Geriatrics Society, 53(4), 695–699. DOI: 10.1111/j.1532-5415.2005.53221.x ↗
  2. [2]
    Felzenszwalb, P. F., & Huttenlocher, D. P. (2012). Distance Transforms of Sampled Functions. Theory of Computing, 8(1), 415–428 (fundamento algorítmico de la transformada de distancia usada en cv2.distanceTransform). DOI: 10.4086/toc.2012.v008a019 ↗
  3. [3]
    Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2.ª ed.). Lawrence Erlbaum Associates (definición de Cohen $d$, umbrales de tamaño de efecto e índices de no-solapamiento $U_1, U_3$). DOI: 10.4324/9780203771587 ↗
  4. [4]
    Hedges, L. V. (1981). Distribution Theory for Glass's Estimator of Effect Size and Related Estimators. Journal of Educational Statistics, 6(2), 107–128 (corrección de sesgo en muestras finitas para Hedges $g$). DOI: 10.3102/10769986006002107 ↗
  5. [5]
    Holm, S. (1979). A Simple Sequentially Rejective Multiple Test Procedure. Scandinavian Journal of Statistics, 6(2), 65–70 (ajuste secuencial Holm-Bonferroni para pruebas múltiples). JSTOR: 4615733 ↗
  6. [6]
    Fisher, R. A. (1936). The Use of Multiple Measurements in Taxonomic Problems. Annals of Eugenics, 7(2), 179–188 (Análisis Discriminante Lineal y proyección óptima 1D). DOI: 10.1111/j.1469-1809.1936.tb02137.x ↗
  7. [7]
    Brodersen, K. H., Ong, C. S., Stephan, K. E., & Buhmann, J. M. (2010). The Balanced Accuracy and Its Posterior Distribution. 20th International Conference on Pattern Recognition (ICPR), 3121–3124 (evaluación justa en cohortes desbalanceadas). DOI: 10.1109/ICPR.2010.764 ↗