Um estudo publicado na revista médica A Lanceta avaliaram o uso de aprendizado de máquina e dados coletados clinicamente (como pontuações de triagem cognitiva e comportamental) para classificar e discriminar DFT e doença de Alzheimer (DA) em grupos sub-representados.

Diagnosticar a DFT e outras demências é complicado, e a DFT leva em média 3,6 anos para ser diagnosticada. Como destaca o estudo, aqueles que procuram um diagnóstico nos países latino-americanos enfrentam obstáculos adicionais, tais como a falta de práticas de diagnóstico padronizadas entre os países e a diversidade dos vários instrumentos utilizados para avaliar o estado cognitivo. Além disso, tecnologias e métodos eficazes no diagnóstico, como imagens PET de amiloide/tau ou ferramentas de avaliação de biomarcadores à base de fluidos, são menos acessíveis aos profissionais da América Latina.

Esses obstáculos ao diagnóstico também impedem a pesquisa. As diferenças na composição sociocultural e genética dos países e os níveis variáveis de especialização clínica em DFT e DA tornam difícil a recolha de dados que possam ser generalizados e comparados com outros países.

Para abordar os obstáculos enfrentados pelos profissionais na América Latina, os autores do estudo apresentam uma estrutura computacional para classificar FTD e AD que pode utilizar eficazmente diversas amostras. A estrutura combina análise estatística tradicional com modelos mais recentes de aprendizado de máquina. Usando esta estrutura, os autores identificaram as características mais generalizáveis da DFT e da DA que podem ser usadas para discriminar entre as doenças e entre pessoas que vivem ou não com uma forma de demência.

Os pesquisadores recrutaram 1.792 participantes de 11 centros membros do Consórcio Multiparceiros para Expandir a Pesquisa sobre Demência na América Latina (três na Argentina e na Colômbia, dois no Chile e no México e um no Peru). Todos os participantes foram diagnosticados com DFT ou DA seguindo os procedimentos padrão de cada unidade.

Os autores descobriram que o Random Forest (RF), um modelo de aprendizado de máquina que funciona bem com dados complexos, foi o mais eficaz na classificação de FTD e AD. Apesar da diversidade demográfica dos participantes e das amostras fornecidas, o RF ainda foi altamente eficaz na classificação de DFT e DA, com os autores observando uma classificação de eficiência de 93%.

Usando o modelo RF, os autores descobriram que os dados de triagens cognitivas, testes de cognição social, medidas de funcionamento executivo e exames neuropsiquiátricos mostraram a maior capacidade para classificar DFT e DA. Especificamente para a DFT, as medidas neuropsiquiátricas e de cognição social foram as mais úteis para classificar a doença.

O aprendizado de máquina é uma ferramenta cada vez mais promissora para diagnosticar e pesquisar DFT. Clique aqui para ler sobre um estudo alemão que também avaliou a eficácia do aprendizado de máquina na pesquisa de FTD.