Algoritmos baseados em machine learning para detecção precoce e triagem de distúrbios neurodegenerativos e neurocognitivos

Uma revisão sistemática avaliou o uso de algoritmos de machine learning (ML) para a detecção precoce e triagem de doenças neurodegenerativas e neurocognitivas, como doença de Alzheimer, doença de Parkinson, demência e comprometimento cognitivo leve (CCL). Essas condições são caracterizadas por perda neuronal ou declínio cognitivo, e a detecção precoce é essencial para melhorar o manejo clínico. O aprendizado de máquina tem se mostrado promissor ao superar as limitações dos métodos diagnósticos tradicionais, oferecendo maior precisão e eficiência.  O objetivo do estudo foi avaliar como os algoritmos de ML podem ser aplicados para identificar precocemente essas doenças. A pesquisa incluiu artigos publicados entre 2015 e 2023 e foram analisados 7.069 estudos, dos quais 108 atenderam aos critérios de inclusão.  

Resultados 

Os estudos incluídos utilizaram diversos algoritmos de ML para diferentes patologias. Para doença de Alzheimer, os modelos mais eficazes foram redes neurais convolucionais (CNNs) e máquinas de vetor de suporte (SVMs), que demonstraram alta sensibilidade e especificidade, com algumas CNNs atingindo mais de 95% de precisão. Esses modelos se destacam por sua capacidade de extrair automaticamente características relevantes de dados complexos, como imagens médicas. No entanto, exigem recursos computacionais significativos, grandes quantidades de dados rotulados e são frequentemente consideradas “caixas pretas” devido à sua falta de interpretabilidade. 

Para doença de Parkinson, diversos algoritmos têm sido empregados para o diagnóstico precoce, com modelos de deep learning (DEEP) demonstrando alta eficácia, alcançado cerca de 100% de precisão, além de alta sensibilidade e especificidade. Esses modelos utilizam dados de imagens médicas e sinais de marcha para identificar padrões associados à doença. Apesar de sua alta precisão, enfrentam desafios relacionados à interpretabilidade e necessidade de grandes conjuntos de dados. 

No caso de comprometimento cognitivo leve, algoritmos como 3D-CNN, SVM e Random Forest foram amplamente utilizados. Os 3D-CNNs demonstraram excelente desempenho, com precisão acima de 95%, enquanto SVMs e Random Forests ofereceram boa interpretabilidade e capacidade de lidar com dados não lineares. Esses modelos são úteis para prever a progressão de CCL para doença de Alzheimer ou demência.  

Outras condições como esclerose múltipla, doença de Huntington e esclerose lateral amiotrófica (ELA), também foram avaliadas neste estudo.  

Discussão 

O estudo destaca o impacto transformador do ML na detecção precoce de doenças neurológicas. Os algoritmos de ML oferecem vantagens significativas em termos de precisão, eficiência e capacidade de integrar dados multimodais, como imagens médicas, biomarcadores genéticos e dados clínicos. No entanto, ainda existem desafios, como a necessidade de grandes conjuntos de dados rotulados, recursos computacionais avançados e maior interpretabilidade dos modelos. 

A integração de algoritmos de ML na prática clínica pode melhorar significativamente o diagnóstico e o manejo dessas condições. Por exemplo, modelos preditivos podem auxiliar os médicos a identificarem pacientes em risco e implementar intervenções precoces. Além disso, esses algoritmos podem ser utilizados para triagem populacional em larga escala, reduzindo custos e aumentando a acessibilidade ao diagnóstico. 

Conclusão 

Os autores concluem que os algoritmos de ML têm o potencial de revolucionar a detecção precoce de doenças neurodegenerativas e neurocognitivas. Embora os modelos atuais apresentem limitações, como a necessidade de grandes volumes de dados e desafios de interpretabilidade, os avanços contínuos na área prometem melhorar ainda mais sua eficácia e aplicabilidade clínica. Estudos futuros devem focar na redução do número de atributos sem comprometer a precisão, além de explorar novos biomarcadores e técnicas de neuroimagem.