Alzheimer: pesquisadores criam modelo para prever declínio
Pesquisadores do Instituto de Tecnologia de Massachusetts desenvolveram um modelo de aprendizado de máquina que pode prever a taxa de declínio cognitivo relacionado ao Alzheimer por até 2 anos no futuro.
A doença de Alzheimer afeta milhões de pessoas em todo o mundo, mas os cientistas ainda não sabem o que causa isso.
Por esse motivo, as estratégias de prevenção podem ser acertadas e erradas. Além disso, os profissionais de saúde não têm uma maneira clara de determinar a taxa de declínio cognitivo de uma pessoa, uma vez que o médico a tenha diagnosticado com Alzheimer.
Agora, pesquisadores do Massachusetts Institute of Technology (MIT) em Cambridge - em colaboração com especialistas de outras instituições - desenvolveram um modelo de aprendizado de máquina que pode permitir aos especialistas prever o quanto o funcionamento cognitivo de uma pessoa mudará com até 2 anos de antecedência deste declínio se tornando estabelecido.
A equipe - formada por Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert e Prof. Rosalind Picard - apresentará seu projeto no final desta semana na conferência Machine Learning for Healthcare. A conferência deste ano acontecerá em Ann Arbor, MI.
“A previsão precisa do declínio cognitivo de 6 a 24 meses é fundamental para o planejamento de ensaios clínicos”, explica Rudovic. Isso, acrescenta, é porque "[ser] capaz de prever com precisão as mudanças cognitivas futuras 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 dos ensaios clínicos para torná-los mais acessíveis e realizados em escalas maiores”.
Usando meta-aprendizagem para prever declínio
Para desenvolver seu novo modelo, a equipe usou dados da Alzheimer’s Disease Neuroimaging Initiative (ADNI), que é o maior conjunto de dados de ensaios clínicos da doença de Alzheimer no mundo.
Por meio do ADNI, os pesquisadores foram capazes de acessar os dados de aproximadamente 1.700 pessoas - algumas com e outras sem a doença de Alzheimer - coletados ao longo de 10 anos.
A equipe teve acesso a informações clínicas, incluindo avaliações do funcionamento cognitivo dos participantes, varreduras cerebrais, dados sobre a composição do DNA dos indivíduos e medições do líquido cefalorraquidiano, que revelam biomarcadores da doença de Alzheimer.
Como uma primeira etapa, 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 esta coorte. Portanto, os investigadores decidiram usar uma abordagem estatística diferente para analisar os dados disponíveis da coorte de uma forma 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 outro subcoorte de participantes ADNI.
Desta vez, porém, a equipe decidiu não aplicar o mesmo modelo a todos. Em vez disso, eles personalizaram o modelo para se adequar a cada participante, obtendo 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 a dados clínicos.
Ainda assim, os pesquisadores deram um passo adiante para garantir que sua abordagem deixasse espaço para o mínimo de erros possível. Eles desenvolveram um modelo de “meta-aprendizagem” 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 delas provavelmente oferecerá a melhor previsão para um determinado indivíduo em um determinado momento.
Os pesquisadores descobriram que essa abordagem reduziu a taxa de erro para previsões em até 50% adicionais.
“Não conseguimos encontrar um único modelo ou combinação fixa de modelos que pudesse nos dar a melhor previsão”, explica Rudovic.
“Então, queríamos aprender como aprender com esse esquema de meta-aprendizagem. É como um modelo em cima de um modelo que atua como um seletor, treinado usando metaconhecimento para decidir qual modelo é melhor implantar. ”
Ognjen Rudovic
No futuro, a equipe pretende formar uma parceria com uma empresa farmacêutica para testar este modelo em um estudo em andamento sobre a doença de Alzheimer.
