.
Uma colaboração liderada por Cornell usou o aprendizado de máquina para identificar os meios e cronogramas mais precisos para antecipar o avanço da doença de Alzheimer em pessoas cognitivamente normais ou com comprometimento cognitivo leve.
A modelagem mostrou que prever o declínio futuro da demência para indivíduos com comprometimento cognitivo leve é mais fácil e preciso do que para indivíduos cognitivamente normais ou assintomáticos. Ao mesmo tempo, os pesquisadores descobriram que as previsões para indivíduos cognitivamente normais são menos precisas para horizontes de tempo mais longos, mas para indivíduos com comprometimento cognitivo leve, o oposto é verdadeiro.
A modelagem também demonstrou que a ressonância magnética (MRI) é uma ferramenta de prognóstico útil para pessoas em ambos os estágios, enquanto ferramentas que rastreiam biomarcadores moleculares, como tomografia por emissão de pósitrons (PET), são mais úteis para pessoas com comprometimento cognitivo leve.
O artigo da equipe, “Previsão multimodal baseada em aprendizado de máquina do declínio futuro em direção à doença de Alzheimer: um estudo empírico”, publicado em 16 de novembro no PLOS ONE. O principal autor é Batuhan Karaman, estudante de doutorado na área de engenharia elétrica e de computação.
A doença de Alzheimer pode levar anos, às vezes décadas, para progredir antes que uma pessoa apresente sintomas. Uma vez diagnosticados, alguns indivíduos declinam rapidamente, mas outros podem viver com sintomas leves por anos, o que torna um desafio prever a taxa de avanço da doença.
“Quando podemos dizer com confiança que alguém tem demência, é tarde demais. Muitos danos já aconteceram ao cérebro e são danos irreversíveis”, disse o autor sênior Mert Sabuncu, professor associado de engenharia elétrica e de computação na Faculdade de Engenharia. e de engenharia elétrica em radiologia na Weill Cornell Medicine.
“Nós realmente precisamos ser capazes de detectar a doença de Alzheimer no início”, disse Sabuncu, “e saber quem vai progredir mais rápido e quem vai progredir mais devagar, para que possamos estratificar os diferentes grupos de risco e poder implantar quaisquer que sejam as opções de tratamento que temos.”
Os médicos geralmente se concentram em um único “horizonte de tempo” – geralmente três ou cinco anos – para prever a progressão da doença de Alzheimer em um paciente. O prazo pode parecer arbitrário, de acordo com Sabuncu, cujo laboratório é especializado em análise de dados biomédicos – particularmente dados de imagem, com ênfase em neurociência e neurologia.
Sabuncu e Karaman fizeram parceria com a colaboradora de longa data e coautora Elizabeth Mormino, da Universidade de Stanford, para usar o aprendizado de máquina de rede neural que poderia analisar cinco anos de dados sobre indivíduos que eram cognitivamente normais ou tinham comprometimento cognitivo leve. Os dados, capturados em um estudo da Iniciativa de Neuroimagem da Doença de Alzheimer, abrangem tudo, desde a história genética de um indivíduo até exames de PET e ressonância magnética.
“O que realmente nos interessa é: podemos olhar para esses dados e dizer se uma pessoa progredirá nos próximos anos?” disse Sabuncu. “E, mais importante, podemos fazer um trabalho melhor na previsão quando combinamos todos os pontos de dados de acompanhamento que temos sobre assuntos individuais?”
Os pesquisadores descobriram vários padrões notáveis. Por exemplo, prever que uma pessoa passará de assintomática para com sintomas leves é muito mais fácil para um horizonte de tempo de um ano, em comparação com cinco anos. No entanto, prever se alguém passará de um comprometimento cognitivo leve para a demência de Alzheimer é mais preciso em uma linha de tempo mais longa, com o “ponto ideal” sendo cerca de quatro anos.
“Isso pode nos dizer algo sobre o mecanismo da doença subjacente e como ela está evoluindo temporalmente, mas isso é algo que ainda não investigamos”, disse Sabuncu.
Em relação à eficácia de diferentes tipos de dados, a modelagem mostrou que os exames de ressonância magnética são mais informativos para casos assintomáticos e são particularmente úteis para prever se alguém desenvolverá sintomas nos próximos três anos, mas menos úteis para prever pessoas com comprometimento cognitivo leve . Depois que um paciente desenvolve comprometimento cognitivo leve, as varreduras de PET, que medem certos marcadores moleculares, como as proteínas amilóide e tau, parecem ser mais eficazes.
Uma vantagem da abordagem de aprendizado de máquina é que as redes neurais são flexíveis o suficiente para funcionar apesar da falta de dados, como pacientes que podem ter pulado uma ressonância magnética ou PET.
Em trabalhos futuros, Sabuncu planeja modificar ainda mais a modelagem para que ela possa processar imagens completas ou dados genômicos, em vez de apenas medições resumidas, para colher mais informações que aumentarão a precisão preditiva.
A pesquisa foi apoiada pelos Institutos Nacionais de Saúde, Biblioteca Nacional de Medicina e Instituto Nacional do Envelhecimento, e pela National Science Foundation.
Fonte da história:
Materiais fornecidos por Universidade de Cornell. Original escrito por David Nutt, cortesia do Cornell Chronicle. Observação: o conteúdo pode ser editado quanto ao estilo e tamanho.
.
