O tratamento das pessoas que sofrem da doença de Parkinson pode ser significativamente melhorado através da utilização de técnicas digitais. A forma exacta como a inteligência artificial pode contribuir para uma terapia individual está atualmente a ser analisada em muitos estudos e investigações. O objetivo é poder detetar de forma fiável os primeiros sinais para poder intervir o mais cedo possível no curso da doença.
A doença de Parkinson (DP) é a causa degenerativa mais comum de parkinsonismo. O parkinsonismo atípico inclui a paralisia supranuclear progressiva (PSP), a atrofia de múltiplos sistemas (MSA) e a degenerescência corticobasal (CBD). A diferenciação clínica das síndromes de Parkinson continua a ser difícil. Por conseguinte, foi investigado se a RM e a aprendizagem automática melhoram a precisão do diagnóstico em doentes com DP precoce em comparação com os critérios clínicos [1]. Foram incluídos no estudo 118 doentes com suspeita de parkinsonismo atípico para os quais estava disponível um acompanhamento e foi efectuada uma ressonância magnética cerebral no início do estudo. Os diagnósticos na linha de base e após um período de acompanhamento de dois anos foram efectuados utilizando os critérios clínicos publicados. O diagnóstico da RM foi efectuado com base na análise radiológica das imagens de RM. As imagens ponderadas em T1 foram segmentadas utilizando o FreeSurfer, um software de segmentação automática, e os volumes das regiões de interesse foram extraídos: Cérebro médio, ponte, cerebelo e gânglios basais. Um algoritmo de aprendizagem automática supervisionada (regressão logística), previamente desenvolvido e treinado com volumes das mesmas regiões, foi testado nesta população. Posteriormente, a precisão do diagnóstico dos critérios clínicos na primeira consulta, a análise radiológica da RM e o algoritmo de aprendizagem automática foram comparados, utilizando o diagnóstico final como referência.
Verificou-se que os critérios de diagnóstico clínico tinham uma precisão de diagnóstico de 63,6% na linha de base. A análise radiológica da RMN classificou corretamente 82% dos doentes que preenchiam os critérios para um possível diagnóstico e 75% dos doentes com um diagnóstico pouco claro na linha de base. O algoritmo também confirmou o diagnóstico de Parkinsonismo em 91% dos doentes e em 66% dos doentes com um diagnóstico indeterminado. Os resultados sublinham as limitações dos critérios clínicos e a contribuição da RMN para a diferenciação precoce do Parkinsonismo. Embora a precisão seja inferior à da RMN, a aprendizagem automática pode ser útil em centros que não sejam especializados.
Olhar profundamente nos olhos
As doenças neurodegenerativas (DND) são a principal e crescente causa de incapacidade em todo o mundo. O aumento da taxa de incidência da doença de Parkinson é particularmente alarmante. Por conseguinte, existe uma necessidade urgente de biomarcadores sensíveis e específicos que permitam uma previsão diferencial – especialmente nas fases iniciais e prodrómicas da doença, de modo a que possa ser planeada e prosseguida uma abordagem médica personalizada da terapêutica. O desenvolvimento de medidas objectivas da DP é complicado devido ao espetro cognitivo e motor da doença e à presença de perturbações atípicas como a Paralisia Supranuclear Progressiva (PSP). O rastreio ocular tem sido proposto como uma fonte de biomarcadores prospectivos na DP. Trabalhos recentes demonstraram a utilização da aprendizagem automática para classificar a DP e o seu espetro cognitivo com base em características oculomotoras. Atualmente, foi demonstrado um aumento da sensibilidade numa tarefa não estruturada de visualização livre, tanto na DP como na PSP [2].
120 doentes com DP, 8 participantes com PSP e 97 participantes de controlo com a mesma idade, sem disfunção neurológica, realizaram uma tarefa naturalista de visão livre enquanto os seus olhos eram seguidos com elevada precisão. As massas de sacudidelas, pupilas e pestanejos foram extraídas dos filmes de 10 minutos. Estas medições foram utilizadas para treinar um classificador utilizando uma máquina de vectores de apoio. O classificador foi ajustado e o desempenho foi medido pela área sob as curvas ROC-AUC (Receiver Operating Characteristic Curves) utilizando uma série de testes e validação cruzada. Verificou-se que a DP e a PSP são previstas com elevada sensibilidade utilizando um paradigma de observação de visão livre. O ROC-AUC não só era comparável ao da tarefa antisacada, como era ainda melhor. Em seguida, o desempenho deste classificador será avaliado de forma independente utilizando um conjunto de testes ingénuos.
Classificação com base em exames cerebrais
Os futuros tratamentos neuroprotectores para a DP realçam a necessidade de testes de diagnóstico precoces. A RMN não é atualmente considerada um exame imagiológico robusto para a DP. Mas técnicas exploratórias sugerem que sequências experimentais específicas podem ser capazes de detetar alterações patológicas precoces no cérebro. Por conseguinte, foi investigado se essas alterações podem ser detectadas em exames de RMN de rotina utilizando métodos de aprendizagem profunda (DL) [3]. Este subconjunto da aprendizagem automática revelou-se recentemente muito promissor para a imagiologia médica de diagnóstico, uma vez que tem o potencial de detetar padrões invisíveis ao olho humano. Novos métodos explicativos permitem interpretar melhor as previsões de DL.
194 exames foram efectuados mais de quatro anos após o diagnóstico, 265 dois a quatro anos após o diagnóstico, 241 um a dois anos após o diagnóstico e 282 menos de um ano após o diagnóstico. Cada coorte foi emparelhada com controlos com base na idade e no sexo. Quanto maior for o tempo decorrido desde o diagnóstico, melhor será o desempenho de diagnóstico dos modelos. Os modelos treinados nos últimos casos de Parkinson apresentaram um bom desempenho de diagnóstico. A diminuição do desempenho em fases anteriores da DP sugere que foram identificadas alterações progressivas. A utilização de IA explicável destacou regiões consistentes com a neuropatologia conhecida da DP e fornece um foco para trabalho futuro.
Reconhecer e classificar o tremor
Os principais sintomas da DP são a bradicinesia, o tremor e a rigidez. O diagnóstico da DP depende principalmente da avaliação clínica utilizando a revisão da Escala Unificada de Avaliação da Doença de Parkinson (MDS-UPDRS) patrocinada pela Movement Disorder Society. Um estudo tentou desenvolver um programa de aprendizagem automática para detetar e classificar o tremor em doentes com doença de Parkinson [4].
Foi desenvolvido um acelerómetro mecânico triaxial para medir objetivamente o tremor na DP e nas perturbações do movimento relacionadas, para além da avaliação clínica. Para este efeito, foi utilizada uma medição contínua quantitativa de baixo custo dos movimentos das extremidades de pessoas com DP – uma modificação da MDS-UPDRS. O protocolo foi conduzido por avaliadores formados e certificados pela MDS-UPDRS em 20 participantes com DP e em oito controlos saudáveis da mesma idade e sexo. Segmentos de dez segundos de sinais de aceleração das tarefas repetitivas (bater com os dedos, movimentos das mãos, pronação-supinação das mãos, bater com os dedos dos pés e mobilidade das pernas) e as suas Transformadas Rápidas de Fourier (FFT) e de Wavelet Contínua (CWT) foram divididos em duas classes: baixa (correspondente às classificações 0-1) e alta (correspondente às classificações 3-4). Um número igual de imagens foi selecionado aleatoriamente de cada classe e utilizado para classificação. A capacidade da rede para classificar corretamente as imagens de validação determinou a sua taxa de acerto.
A rede teve 92% de precisão na previsão de novas imagens CWT e 97% de precisão na previsão de novas imagens STFT nas classes baixa (0-1) e alta (3-4). A utilização da aprendizagem automática para categorizar os resultados das ferramentas de movimento é uma técnica viável para classificar os movimentos repetitivos de pessoas com DP e de controlos saudáveis. A experiência deve ser repetida com 100 doentes e 100 indivíduos saudáveis de controlo.
Tiques em foco
Pode ser difícil distinguir entre tiques em pessoas com perturbações de tiques e movimentos adicionais em controlos saudáveis. Além disso, a avaliação dos tiques a partir de gravações de vídeo é morosa e fastidiosa. A aprendizagem automática tem potencial para ajudar a superar estes desafios, distinguindo entre tiques e outros movimentos adicionais e apoiando as avaliações clínicas.
Num estudo, um conjunto de dados de 63 vídeos de pessoas com perturbações de tiques foi utilizado para treinar um classificador de floresta aleatória para a deteção de tiques segundo a segundo [5]. O classificador utilizou características faciais como entrada e definiu segundos de tiques como aqueles com tiques iguais ou mais fortes do que um limiar predefinido. O classificador treinado foi então utilizado para prever a presença de tiques em doentes e movimentos adicionais em controlos saudáveis. Estas previsões foram utilizadas para calcular várias características, tais como o número de tiques por minuto, a duração máxima de um segmento contínuo sem tiques, a duração máxima de um tique contínuo, a duração média de segmentos sem tiques, o número de mudanças de segmentos com tiques para segmentos sem tiques e vice-versa por minuto, o tamanho médio de um grupo de tiques e o número de grupos por minuto. Essas características foram combinadas em um único escore de reconhecimento de tique usando regressão logística. Os parâmetros do modelo foram determinados pelo treino com um conjunto de dados de 124 vídeos de indivíduos com distúrbios de tiques e 162 vídeos de controlos saudáveis. Para avaliar a precisão desta pontuação na classificação de doentes e controlos saudáveis, foi utilizado um conjunto de dados de teste com 50 vídeos de doentes e 50 vídeos de controlos saudáveis. O conjunto de teste obteve uma precisão de classificação de 83%.
O algoritmo de aprendizagem automática é útil para reconhecer tiques e distinguir entre tiques e outros movimentos adicionais. Poderá ser desenvolvida numa ferramenta clinicamente aplicável. Para melhorar a precisão da classificação, o próximo passo é ajustar a pontuação para a deteção de tiques. Além disso, será analisada a importância das características individuais, a fim de determinar quais as características mais úteis para distinguir os dois grupos. O algoritmo também poderia ser útil para distinguir entre tiques e movimentos funcionais.
Congresso: International Congress of Parkinson’s Disease and Movement Disorders® 2023
Literatura:
- Chougar L, Faucher A, Faouzi J, et al.: Contribution of MRI and machine learning approaches to the diagnosis of patients with early-stage parkinsonism in a situation of clinical uncertainty [abstract 161]. Mov Disord 2023; 38 (suppl 1).
- Brien D, Riek H, Ye R, et al.: Machine learning classifies Parkinson’s Disease and Progressive Supranuclear Palsy on saccade, pupil, and blink measures during a naturalistic free-viewing task [abstract 276]. Mov Disord 2023; 38 (suppl 1).
- Courtman M, Thurston M, Mcgavin L, et al.: Explainable deep learning based detection of Parkinson’s changes in MRI brain scans [abstract 1552]. Mov Disord 2023; 38 (suppl 1).
- Elshourbagy T, Hernandez M, Mckay G, Brasic J: Artificial Intelligence to detect and classify tremors in patients with Parkinson’s disease and related conditions [abstract 1211]. Mov Disord 2023; 38 (suppl 1).
- Becker L, Schappert R, Brügge N, et al.: New machine learning approaches in tic detection: Seeking to learn more about the characteristic of tics [abstract 951]. Mov Disord 2023; 38 (suppl 1).
InFo NEUROLOGIE & PSYCHIATRIE 2023; 21(5): 24–25
