Um estudo publicado no Neuroimagem: clínica A revista médica descobriu que os algoritmos de aprendizado de máquina são capazes de reconhecer padrões de atrofia associados a doenças neurodegenerativas mais raras, como FTD.

Conduzido por pesquisadores do Instituto Max Planck de Ciências Cognitivas e do Cérebro Humano e do Centro Médico da Universidade de Leipzig, na Alemanha, o estudo pretendia abordar o obstáculo considerável de se obter um diagnóstico correto de distúrbios cerebrais menos comuns. Quando o diagnóstico é incerto, o tratamento torna-se difícil porque os profissionais médicos não sabem quais terapias seguir para tratar adequadamente os sintomas de alguém.

“Perguntas como as feitas por [pacientes] em nosso estudo são típicas da prática clínica diária”, disse Matthias Schroeter, coautor do estudo. Notícias de Neurociência. “Em primeiro lugar, coloca-se a questão do diagnóstico correto para que a terapia possa ser adaptada a cada paciente e à sua doença específica.”

Para avaliar algoritmos de aprendizado de máquina como uma ferramenta para melhorar o diagnóstico, os pesquisadores usaram inteligência artificial para analisar dados de imagem de 426 participantes com uma forma de demência (incluindo vários distúrbios na família FTD) e dados de 51 participantes de controle. O modelo de aprendizado de máquina examinou 64 regiões diferentes do cérebro, verificando os volumes de diferentes tipos de tecido cerebral em busca de atrofia.

Segundo os pesquisadores, um modelo de aprendizado de máquina pode classificar o tipo correto de demência com uma faixa de precisão de 71-95%. Um modelo de aprendizado de máquina mais complexo teve maior precisão, mas ainda ficou abaixo de 100%. Os pesquisadores observaram que o modelo mais complexo não tinha o mesmo desempenho para todos os tipos de demência e era melhor na classificação de distúrbios com padrões de atrofia que se concentravam em uma determinada região do cérebro.

Embora o aprendizado de máquina tenha suas limitações, os algoritmos ainda podem ser benéficos na redução do tempo de diagnóstico, de acordo com os autores do estudo.

“Mesmo que o curso dessas doenças progrida, os afetados nos estágios iniciais da doença podem continuar trabalhando e administrando suas vidas diárias com apoio. É por isso que o diagnóstico precoce e a adaptação individual das medidas terapêuticas são cruciais”, disse Schroeter.

Interessado em ler mais sobre o uso de tecnologia como aprendizado de máquina para diagnosticar FTD? Confira Este artigo sobre o uso de sensores vestíveis para monitorar a progressão da paralisia supranuclear progressiva, ou Este artigo sobre um estudo que utilizou aprendizado de máquina para investigar uma teoria de 120 anos sobre demência.

Você está interessado em participar de um estudo como o que você leu? Confira os AFTDs Estudos Buscando Participantes página.