.
O custo projetado para cuidar de milhões de indivíduos com doença de Alzheimer (AD) em todo o mundo ultrapassará US$ 1 trilhão em alguns anos. Além do enorme fardo para a saúde, os pacientes e seus cuidadores sofrem desgaste financeiro, físico e psicológico. Uma teoria sobre a falha repetida de medicamentos na DA é que os pacientes submetidos a terapias experimentais são selecionados muito tarde no processo da doença. Portanto, é importante identificar pacientes com alto risco de progressão para DA nos estágios iniciais da doença.
Para ajudar a identificar pessoas que poderiam se beneficiar de intervenções precoces, pesquisadores da Universidade de Boston desenvolveram uma estrutura de aprendizado profundo que pode estratificar indivíduos com comprometimento cognitivo leve (MCI) com base no risco de avançar para DA.
“Quantificar o risco de progressão para a doença de Alzheimer (AD) pode ajudar a identificar pessoas que poderiam se beneficiar de intervenções precoces”, diz o autor correspondente Vijaya B. Kolachalama, PhD, FAHA, professor associado de medicina na Boston University Chobanian & Avedisian School of Medicine.
A equipe estudou dados da Alzheimer’s Disease Neuroimaging Initiative (ADNI) e do National Alzheimer’s Coordinating Center (NACC), separando indivíduos com comprometimento cognitivo leve (MCI) em grupos com base em seu fluido cerebral amilóide-? níveis. Eles estudaram os padrões de volume de massa cinzenta dentro desses grupos para identificar grupos de risco, validando suas descobertas com avaliações de especialistas. Eles desenvolveram modelos que combinavam redes neurais com análise de sobrevivência para prever o progresso do MCI para a doença de Alzheimer. Eles então vincularam suas previsões de modelo com evidências biológicas, confirmando os diagnósticos de Alzheimer com dados post-mortem.
“Ao utilizar os avanços no aprendizado de máquina interpretável, demonstramos que as regiões cerebrais relevantes para a DA, como o lobo temporal medial, estão entre as regiões mais importantes para prever o risco de progressão, garantindo assim que nossas descobertas sejam consistentes com o conhecimento médico estabelecido”, acrescentou Kolachalama.
De acordo com os pesquisadores, essas descobertas representam inovação na interseção da neurologia e da ciência da computação, ao mesmo tempo em que destacam a conformidade do modelo com as evidências biológicas usando informações coletadas rotineiramente, como ressonância magnética estrutural, para quantificar o risco de progressão de CCL para DA.
“Utilizamos redes neurais profundas baseadas em sobrevivência em conjunto com ressonância magnética estrutural minimamente processada, uma técnica não invasiva amplamente disponível. Além disso, empregando métodos de aprendizado profundo de última geração em conjunto com SHbastante Aex aditivoPLanations (SHAP), um método baseado na teoria dos jogos cooperativos e usado para aumentar a transparência e a interpretabilidade dos modelos de aprendizado de máquina, conseguimos identificar regiões particularmente importantes para prever o aumento do risco de progressão.”
Essas descobertas aparecem online na revista iScience.
O financiamento para este estudo foi financiado por doações do Karen Toffler Charitable Trust, da American Heart Association (20SFRN35460031) e do National Institutes of Health (RF1-AG062109, R01-HL159620, R21-CA253498, R43-DK134273, RF1-AG072654, U19-AG068753 e P30-AG013846). Agradecemos o apoio financeiro da Universidade de Boston, CTSI 1UL1TR001430, para nossa Pesquisa REDCap.
.
