Nova pesquisa descreve modelo de IA que agrupa os padrões de sintomas típicos da doença de Parkinson
A Fundação do ator Michael J. Fox e a IBM anunciaram um marco importante para a pesquisa sobre a doença de Parkinson, que afeta mais de seis milhões de pessoas no mundo. Desde 2018 em parceria, com o objetivo de aplicar machine learning para promover avanços científicos na procura por tratamentos e cura para a Parkinson, recentemente, os pesquisadores das duas organizações detalharam um novo modelo de inteligência artificial que agrupa padrões de sintomas típicos da doença de Parkinson.
O trabalho mais recente, “Descoberta dos estados da doença de Parkinson usando aprendizado de máquina e dados longitudinais”, publicado pela equipe da IBM com cientistas da Michael J. Fox Foundation (MJFF) na Lancet Digital Health, 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.
Espera-se que o uso de machine learning para aprender com grandes quantidades de dados de pacientes forneça aos médicos e pesquisadores uma nova ferramenta para prever melhor a progressão notoriamente variável dos sintomas em pacientes individuais com Parkinson. Espera-se também que isso 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.
O ator Michael J. Fox, que interpretou Marty McFly no icônico filme dos anos 1980 “De Volta para o Futuro”, anunciou que tinha a doença em 1998, sete anos depois de ser diagnosticado, aos 29 anos. Alguns anos depois, em 2000, Fox lançou a MJFF para Pesquisa de Parkinson. Desde então, a equipe de neurocientistas e estrategistas da MJFF tem trabalhado em estreita colaboração com pesquisadores de ciência e tecnologia, médicos, parceiros do setor e pacientes em todo o mundo para financiar as pesquisas mais promissoras para entender e encontrar melhores tratamentos para a doença.
Os resultados têm como precedente uma investigação publicada anteriormente. Esse trabalho se concentrou no desenvolvimento de um método para alguns dos desafios exclusivos das aplicações de saúde, incluindo a ativação de previsões personalizadas e a contabilização dos efeitos dos medicamentos nas medições dos sintomas. Desta vez, foram testados os métodos de IA com dados da Iniciativa de Marcadores de Progressão de Parkinson (PPMI).
A MJFF patrocina este estudo internacional e disponibiliza a pesquisadores seu conjunto de dados, um dos maiores do mundo sobre a doença de Parkinson, peça-chave para o sucesso em modelos de machine learning e vital para a viabilidade do modelo desenvolvido. O conjunto de dados serviu de entrada para a abordagem da tecnologia, fato que permitiu a descoberta de padrões complexos de sintomas e progressão.
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. 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.
Foi determinado 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, sendo capaz de prever com sucesso um estágio avançado da doença associado a consequências como demência e incapacidade de andar sem assistência.
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.
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.
Para o futuro, as organizações esperam 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.
