Pesquisadores criam modelo para prever declínio

Compartilhar no Pinterest

A doença de Alzheimer afeta milhões de pessoas em todo o mundo, mas os cientistas ainda não sabem o que a causa.

Por esse motivo, estratégias de prevenção podem ser erradas. Além disso, os profissionais de saúde não têm uma maneira clara de determinar a taxa de declínio cognitivo de uma pessoa depois que um médico os diagnostica com Alzheimer.

Agora, pesquisadores do Instituto de Tecnologia de Massachusetts (MIT), em Cambridge – em colaboração com especialistas de outras instituições – desenvolveram um modelo de aprendizado de máquina que poderia permitir que especialistas previssem quanto o funcionamento cognitivo de uma pessoa mudará até 2 anos antes deste declínio se estabelecendo.

A equipe – formada por Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert e Prof. Rosalind Picard – apresentará seu projeto ainda esta semana na conferência Machine Learning for Healthcare. A conferência deste ano será realizada em Ann Arbor, MI.

“A previsão precisa do declínio cognitivo de 6 a 24 meses é fundamental para a concepção de ensaios clínicos”, explica Rudovic. Isso, ele acrescenta, é porque “[b]Ser capaz de prever com precisão futuras alterações cognitivas pode reduzir o número de visitas que o participante precisa fazer, o que pode ser caro e demorado “.

“Além de ajudar a desenvolver um medicamento útil”, continua o pesquisador, “o objetivo é ajudar a reduzir os custos de ensaios clínicos para torná-los mais acessíveis e realizados em escalas maiores”.

Usando o meta-aprendizado para prever declínio

Para desenvolver seu novo modelo, a equipe usou dados da Iniciativa de Neuroimagem da Doença de Alzheimer (ADNI), que é o maior conjunto de dados de ensaios clínicos da doença de Alzheimer no mundo.

Através do ADNI, os pesquisadores conseguiram acessar os dados de aproximadamente 1.700 pessoas – algumas com e sem a doença de Alzheimer – coletadas ao longo de 10 anos.

A equipe teve acesso a informações clínicas, incluindo avaliações do funcionamento cognitivo dos participantes, exames cerebrais, dados sobre a composição do DNA dos indivíduos e medições de líquido cefalorraquidiano, que revelam biomarcadores da doença de Alzheimer.

Como primeiro passo, os pesquisadores desenvolveram e testaram seu modelo de aprendizado de máquina usando dados de um subgrupo de 100 participantes. No entanto, havia muitos dados ausentes sobre essa coorte. Assim, os pesquisadores decidiram usar uma abordagem estatística diferente para analisar os dados disponíveis da coorte de uma maneira que tornasse a análise mais precisa.

Ainda assim, o novo modelo não atingiu o nível de precisão que seus desenvolvedores esperavam. Para torná-lo ainda mais preciso, os pesquisadores usaram dados de outra sub-coorte de participantes do ADNI.

Desta vez, no entanto, a equipe decidiu não aplicar o mesmo modelo a todos. Em vez disso, eles personalizaram o modelo para atender a cada participante, recebendo novos dados à medida que se tornavam disponíveis após cada nova avaliação clínica.

Com essa abordagem, os pesquisadores descobriram que o modelo levou a uma taxa de erro significativamente menor em suas previsões. Além disso, teve um desempenho melhor do que os modelos de aprendizado de máquina existentes aplicados aos dados clínicos.

Ainda assim, os pesquisadores deram um passo adiante para garantir que sua abordagem deixasse espaço para o menor erro possível. Eles desenvolveram um modelo de “meta-aprendizado” que pode escolher a melhor abordagem para prever resultados cognitivos em cada participante.

Esse modelo escolhe automaticamente entre a população geral e a abordagem personalizada, calculando qual provavelmente oferecerá a melhor previsão para qualquer indivíduo em determinado momento.

Os pesquisadores descobriram que essa abordagem reduziu a taxa de erro das previsões em até 50% adicionais.

“Não conseguimos encontrar um modelo único ou uma combinação fixa de modelos que nos desse a melhor previsão”, explica Rudovic.

“Então, queríamos aprender como aprender com esse esquema de meta-aprendizado. É como um modelo em cima de um modelo que atua como um seletor, treinado usando o met conhecimento para decidir qual modelo é melhor implantar “.

Ognjen Rudovic

No futuro, a equipe pretende formar uma parceria com uma empresa farmacêutica para testar esse modelo em um estudo em andamento sobre a doença de Alzheimer.