A IBM Research está usando o aprendizado de máquina como uma ferramenta na busca para revelar as complexidades da doença de Parkinson, doença neurodegenerativa crônica e progressiva pode afetar a função motora e não motora. Estima-se que 6 milhões de pessoas em todo o mundo vivam com a doença, e essa preponderância deve dobrar até 2040 – tornando a necessidade de pesquisas e um melhor entendimento da doença ainda mais urgente.
CONTEÚDO RELACIONADO – IBM anuncia nova geração de processadores Power, desenvolvida para nuvem híbrida
Em colaboração com a Michael J. Fox Foundation for Parkinson’s Research, a equipe de pesquisadores da IBM tem como objetivo desenvolver modelos aprimorados de progressão da doença que possam ajudar os médicos a entender como a doença progride em relação ao surgimento dos sintomas, mesmo quando os pacientes estão tomando medicamentos modificadores de sintomas.
Modelos de séries temporais e de previsão (técnicas usadas para prever resultados futuros com base em dados observados anteriormente) não são exclusivos para aplicativos de saúde, mas seu uso em aplicativos de saúde pode ter desafios específicos. Neste projeto, o objetivo específico era aprender os estados clínicos do Parkinson e sua progressão correspondente, de modo que os médicos e pacientes pudessem ter uma medida quantitativa da doença de um indivíduo.
Em geral, a progressão não é direta nem fácil de definir na doença de Parkinson. Os sintomas e as trajetórias dos sintomas se manifestam em uma ampla variedade de pacientes. Isso torna difícil para os médicos avaliarem de forma definitiva e quantitativa onde um indivíduo pode estar em um determinado momento e quão avançado realmente está sua condição.
A biologia subjacente do Parkinson ainda não está totalmente caracterizada, o que torna o aprendizado e a classificação dos estágios muito difíceis. No entanto, os estados da doença ainda são úteis, pois fornecem um resumo conciso dos sintomas motores e não motores potenciais e permitem que os médicos desenvolvam uma terapia e planos de tratamento direcionados. No futuro, modelos de progressão como o da IBM podem ajudar a suportar várias aplicações clínicas.
Por exemplo, uma vez que os estados da doença são aprendidos, os médicos podem agrupar os pacientes quantitativamente, bem como prever melhor a progressão – que pode ajudar a informar um tratamento e gerenciamento mais personalizados do paciente, bem como ensaios de drogas mais eficazes.
Outro problema surge com a medicação, que é usada para aliviar os sintomas, mas não se acredita que alterem o curso da doença. Por exemplo, um indivíduo pode experimentando melhor controle motor devido à medicação, o que poderia levar ao mascaramento de um estado mais avançado da doença. Muitos modelos de progressão para DP não levam em consideração os efeitos da medicação.
Identificar esses desafios é a chave para o sucesso do aprendizado de máquina na área de saúde. A abordagem proposta pela IBM trata das necessidades de aprendizagem dos estados da doença enquanto modelam os efeitos da medicação, que podem ser uma função do estado da doença e/ou resposta personalizada.
A abordagem se baseia na estrutura de um modelo de Markov oculto e usa inferência variacional para aprender efeitos personalizados. Depois de aprender o modelo, os insights podem ser derivados tanto da interpretação dos parâmetros do modelo para aprender mais sobre a doença, quanto da análise das previsões para uma determinada coorte de pacientes.
O modelo proposto e o algoritmo de aprendizagem serão apresentados na Conferência para Aprendizado de Máquina para Saúde 2020. Embora o trabalho tenha sido motivado pela doença de Parkinson, a IBM espera que possa ser útil ou inspirar trabalhos e exploração semelhantes em outras condições crônicas, como diabetes e Alzheimer.
Participe das comunidades IPNews no Facebook, LinkedIn e Twitter.
