La atrofia multisistémica (AMS) es principalmente un trastorno autonómico con parkinsonismo o ataxia cerebelosa. El diagnóstico clínico de la AMS en una etapa temprana es un desafío porque los síntomas cambian a lo largo de la enfermedad. Recientemente, se han desarrollado varios programas basados en inteligencia artificial para mejorar la precisión diagnóstica de las enfermedades neurodegenerativas, pero la mayoría se limita a la evaluación de imágenes diagnósticas. En este estudio, examinamos la validez del diagnóstico de AMS utilizando un modelo lineal puntual (método basado en aprendizaje profundo). El objetivo del estudio fue identificar características asociadas con la diferenciación de la enfermedad que se encontraron importantes en el aprendizaje profundo. Se utilizaron un total de 3377 casos registrados de AMS desde el año fiscal 2004 hasta el año fiscal 2008 para entrenar el modelo. Las probabilidades diagnósticas de la degeneración estriatonigral (SND), el síndrome de Shy-Drager (SDS) y la atrofia olivopontocerebelosa (OPCA) se estimaron en 0.852 +/- 0.107, 0.650 +/- 0.235 y 0.858 +/- 0.270, respectivamente. En el modelo lineal puntual utilizado para identificar y visualizar características involucradas en subtipos individuales, se encontró que la disfunción autonómica era un componente más prominente del SDS en comparación con el SND y la OPCA. De manera similar, se identificó la insuficiencia respiratoria como una característica del SDS, la disfagia como una característica del SND y la atrofia del tronco encefálico como una característica de la OPCA.