Quando o ator Michael J. Fox, ator que interpretou Marty McFly nos filmes De Volta para o Futuro, anunciou que sofre de mal de Parkinson, lá em 1998, ele logo se moveu para ajudar outras pessoas que tinham a mesma doença. Em 2000, foi fundada a Michael J. Fox Foundation (MJFF) para Pesquisa de Parkinson e, agora, a instituição conseguiu desenvolver, junto com a IBM, uma tecnologia para ajudar a prever a progressão da doença.
LEIA MAIS: Inteligência artificial: Carrefour aposta em tecnologia e anuncia loja sem atendentes humanos
A parceria entre as duas organizações começou em julho de 2018 com o objetivo de aplicar machine learning (aprendizado de máquina) para promover avanços científicos. Três anos depois, o resultado foi publicado na Lancet Digital Health, principal revista científica de saúde.
Chamada de “Descoberta dos estados da doença de Parkinson usando aprendizado de máquina e dados longitudinais”, a matéria detalha um novo modelo de inteligência artificial que agrupa padrões de sintomas típicos da doença de Parkinson. O modelo foi capaz de estimar com 80% de precisão se um paciente atingiria um determinado estado em dois anos. Além disso, ele foi capaz de fazer previsões sobre os padrões de sintomas típicos e sua progressão.
O algoritmo também prevê a progressão desses sintomas em termos de tempo e gravidade, aprendendo com o que é conhecido como dados longitudinais do paciente. Ou seja, descrições do estado clínico de um paciente coletadas ao longo do tempo.
O objetivo é usar IA para apoiar o gerenciamento de pacientes e o design de estudos clínicos. A importância desse objetivo é atribuída ao fato de que, apesar da prevalência de Parkinson, os pacientes apresentam uma variedade única de sintomas, tanto motores quanto não motores.
Colocando a inteligência artificial para trabalhar
As expectativas com essa IA são altas. Além de trazer mais capacidade de previsão da progressão de sintomas, espera-se que ela permita um melhor manejo e tratamento da doença, e que leve à possibilidade de identificar os melhores candidatos a ensaios clínicos mais específicos e eficazes.
Para treinar a inteligência artificial, foram utilizados dados de um estudo internacional da MJFF, chamado Iniciativa de Marcadores de Progressão de Parkinson (PPMI), que é um dos maiores do mundo sobre a doença. Esse grande volume de dados serviu de entrada para a abordagem do aprendizado de máquina, fato que permitiu a descoberta de padrões complexos de sintomas e progressão.
Embora há vários estudos anteriores dedicados a caracterizar a doença de Parkinson usando apenas informações de base, esse método usa até sete anos de dados de pacientes. Além disso, o modelo faz suposições a priori limitadas sobre as vias de progressão, em comparação com estudos anteriores.
Novos insights sobre a progressão da doença
Essas decisões de modelagem permitiram obter mais informações sobre os estados da doença e as vias de progressão. Os resultados sugerem que a condição de um paciente pode variar em diversos aspectos, como a capacidade de realizar as atividades diárias; problemas relacionados à lentidão motora, tremor e instabilidade postural, bem como sintomas não motores, incluindo depressão, ansiedade, deficiência cognitiva e distúrbios do sono.
Os pesquisadores determinaram que os resultados apoiam a hipótese de que existem várias vias de progressão, conforme indicado pelas muitas trajetórias de doença estudadas. No entanto, o modelo de IA contém a capacidade de fazer previsões precisas. Como o modelo se baseia em um conjunto de dados, ele foi capaz de prever com sucesso um estágio avançado da doença de Parkinson associado a consequências como demência e incapacidade de andar sem assistência.
Devido à diversidade de experiências na doença de Parkinson, é esperado que, ao permitir tais previsões, o modelo possa ajudar no tratamento do paciente e fornecer critérios de inclusão e definições de resultados mais específicos durante o desenho do ensaio clínico.
No entanto, ainda há muito trabalho a ser feito. Por exemplo, espera-se refinar o modelo para fornecer uma caracterização ainda mais granular dos estados de doença, incorporando avaliações de biomarcadores emergentes, incluindo medições genômicas e de neuroimagem.
