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.
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.
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.