A IBM e a Michael J. Fox Foundation (MJFF) finalmente colheram os frutos de uma parceria criada três anos atrás. A fundação, criada pelo ator Michael J. Fox (interprete de Marty McFly dos filmes De Volta para o Futuro) para combater o mal de Parkinson, conseguiu criar, em parceria com os pesquisadores da IBM, um novo modelo de inteligência artificial que agrupa padrões de sintomas típicos da doença de Parkinson.
CONTEÚDO RELACIONADO – IBM utiliza inteligência artificial para saber onde plantar árvores em Manhattan
O modelo 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 a inteligência artificial (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 aprendizado de máquina em dados de pacientes forneça aos médicos uma nova ferramenta para prever a progressão dos sintomas em pacientes individuais com Parkinson. Além disso, a expectativa é permitir um melhor manejo e tratamento da doença, e que leve à possibilidade de identificar os melhores candidatos a ensaios clínicos mais específicos e eficazes.
Colocando a inteligência artificial para trabalhar
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 Michael J. Fox Foundation patrocina este estudo internacional e disponibiliza seu conjunto de dados – um dos maiores do mundo sobre a doença de Parkinson – para pesquisadores em uma modalidade não identificável pessoalmente.
Ter acesso a um grande conjunto de dados é a chave para o sucesso em modelos de aprendizado de máquina. O conjunto 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.
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. 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.
É importante ressaltar que 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. Agora, o objetivo 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.
Participe das comunidades IPNews no Facebook, LinkedIn e Twitter.
