De acordo com Rubens de Fraga Júnior, médico especialista em geriatria e gerontologia – que estuda o envelhecimento – as demências são caracterizadas pelo acúmulo de diferentes tipos de proteínas no cérebro, que danificam o tecido cerebral e levam ao declínio cognitivo. No caso do mal de Alzheimer, essas proteínas incluem a beta-amiloide, que forma “placas” que se aglomeram entre os neurônios e afetam sua função, e a tau, que se acumula dentro dos próprios neurônios.
O especialista, que também é professor titular da disciplina de gerontologia da Faculdade Evangélica Mackenzie do Paraná, explica que os primeiros sinais da demência são mudanças moleculares e celulares, que ocorrem muito antes – de meses até mesmo anos – de um diagnóstico aparecer. “Normalmente requer duas ou três visitas ao hospital, pode envolver uma série de exames, como tomografia computadorizada e seus derivantes, bem como punções de liquor.”
LEIA MAIS: Inteligência artificial é capaz de prever progressão da doença de Parkinson
A tecnologia, no entanto, surge como a aliada para ajudar no diagnóstico precoce de demência. Fraga Júnior aponta o trabalho da equipe liderada pela professora Zoe Kourtzi, da Universidade de Cambridge, em conjunto com o The Alan Turing Institute. Eles desenvolveram uma inteligência artificial para ajudar na detecção de demência em pacientes em um estágio muito inicial.
Para detectar a demência, a equipe de Zoe e a do instituto utilizam imagens cerebrais de pacientes que desenvolveram Alzheimer. A partir dessas informações, o algoritmo de aprendizado de máquina desenvolvido por eles conseguiu detectar mudanças estruturais no cérebro.
Quando combinado com os resultados de testes de memória padrão, o algoritmo foi capaz de fornecer uma pontuação de prognóstico – ou seja, a probabilidade de o indivíduo ter a doença de Alzheimer.
Para os pacientes que apresentam comprometimento cognitivo leve – sinais de perda de memória ou problemas com a linguagem ou percepção visual/espacial – o algoritmo foi superior a 80% de precisão na previsão dos indivíduos que desenvolveram a doença de Alzheimer. Também foi capaz de prever a rapidez com que sua cognição diminuirá com o tempo.
A professora Zoe, do Departamento de Psicologia de Cambridge, diz que foi necessário treinar os algoritmos de aprendizagem de máquina para detectar os primeiros sinais de demência apenas procurando padrões de perda de massa cinzenta, que é o desgaste do cérebro. “Quando combinamos isso com o padrão testes de memória, podemos prever se um indivíduo apresentará um declínio mais lento ou mais rápido em sua cognição”, explica.
Embora o algoritmo tenha sido otimizado para procurar sinais da doença de Alzheimer, o professor Kourtzi e colegas agora o estão treinando para reconhecer diferentes formas de demência, cada uma com seu próprio padrão característico de perda de volume.
A tecnologia também tem sido utilizada em outras doenças neurológicas degenerativas, como é o caso do mal de Parkinson. A IBM e a Michael J. Fox Foundation (MJFF) para Pesquisa de Parkinson desenvolveram outro algoritmo com aprendizagem de máquina para prever a progressão da doença em pacientes já diagnosticados.
Os especialistas utilizaram dados e 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.
A partir desses padrões, o modelo de inteligência artificial foi capaz de estimar com 80% de precisão se um paciente atingiria um determinado estágio da doença em dois anos. Além disso, ele foi capaz de fazer previsões sobre os padrões de sintomas típicos e sua 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.
A intenção da IBM e do instituto agora é 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.