A complexa patogénese da esclerose múltipla (EM) oferece uma variedade de alvos para a intervenção terapêutica. Além disso, está a ser feita muita investigação para se poder fazer o diagnóstico numa fase inicial. Isto porque o início da gestão personalizada do tratamento poderia reduzir significativamente a carga da doença das pessoas afectadas. Aplicando inteligência artificial e capturando biomarcadores eficazes, o objectivo poderia estar ao alcance da mão.
A esclerose múltipla (EM) continua a ser a causa mais comum de incapacidade neurológica não-traumática em adultos jovens. Felizmente, a descoberta de terapias modificadoras de doenças (DMT) altamente eficazes nas últimas duas décadas mudou drasticamente as perspectivas para as pessoas com EM. No entanto, a medição dos resultados dos cuidados de saúde é um desafio. Os resultados relatados pelos médicos não correspondem frequentemente às expectativas dos doentes com EM, uma vez que algumas das suas queixas não são registadas por exames neurológicos de rotina. Isto leva a mal-entendidos. Por outro lado, os médicos são confrontados com leituras que não reflectem de forma óptima o desenvolvimento da doença de EM. Um exemplo ilustrativo é a escala EDSS clínica comummente utilizada. Nos últimos anos, os resultados de uma intervenção clínica utilizando resultados comunicados pelos pacientes (PROs) têm-se tornado cada vez mais importantes. As ORP são recolhidas directamente dos pacientes e incluem sintomas, função, estado de saúde e qualidade de vida relacionada com a saúde. No entanto, ainda não existem directrizes para a validação das ORP. O objectivo é mudar isto num futuro próximo [1].
A inteligência artificial apoia a medicina personalizada
O diagnóstico e a quantificação da carga da doença na EM têm-se baseado tradicionalmente no reconhecimento de padrões visuais por clínicos experientes. Dada a quantidade de dados científicos, a heterogeneidade dos cursos da doença e o amplo espectro terapêutico, foram feitos grandes esforços para aplicar a inteligência artificial (IA) à EM. Os métodos de aprendizagem mecânica (ML) analisam os dados para obter padrões de decisão, enquanto as ferramentas de aprendizagem profunda (DL) realizam a selecção automática das melhores características de resolução de problemas. Estas duas abordagens beneficiam principalmente de grandes conjuntos de dados e são por isso úteis para estudos multicêntricos e para ensaios clínicos em grande escala. Os algoritmos ML e DL são capazes de automatizar tarefas repetitivas, analisar mais dados em menos tempo e alcançar maior precisão e reprodutibilidade do que a contraparte humana. A aplicação de IA produziu resultados promissores no campo da imagiologia médica (especialmente RM), permitindo a segmentação automática de lesões e tecidos, classificação de doenças e síntese de contrastes a partir de sequências alargadas. Tal abordagem é também adequada para o mundo em evolução dos “ómica”, onde a análise de grandes quantidades de dados provenientes de um único doente é central para a medicina personalizada [2].
Biomarcadores-alvo
A neurodegeneração e a activação astrocítica são características patológicas da esclerose múltipla progressiva e podem ser quantificadas utilizando a cadeia ligeira do neurofilamento sérico (sNfL) e a proteína glial fibrilária ácida (sGFAP). Por conseguinte, sNfL e sGFAP foram investigados mais aprofundadamente como instrumentos para estratificar os pacientes com EM progressiva com base na progressão e estado de actividade da doença [3]. Para este efeito, os valores sNfL e sGFAP foram analisados em 259 pacientes no prazo de seis meses após a primeira EDSS confirmada ≥3 como linha de base. Os doentes progressivos foram classificados como activos/não activos com base em novas lesões ou recaídas do cérebro/medula espinal nos dois anos anteriores à linha de base ou durante o acompanhamento. Foi demonstrado que o sNfL foi mais elevado em doentes com actividade progressiva com doença nos primeiros dois anos de seguimento e ao longo do período de seguimento disponível. Os níveis de base sGFAP foram positivamente associados a um maior risco de progressão da doença confirmado aos seis meses. Esta relação foi mais pronunciada em doentes com baixo sNfL. Elevados níveis de sNfL foram associados à futura deterioração cognitiva. Em suma, foi demonstrado que níveis mais elevados de sGFAP eram um indicador de progressão, enquanto que o sNfL reflectia a actividade aguda da doença na coorte progressiva da EM. Assim, os níveis sGFAP e sNfL poderiam ser utilizados para estratificar pacientes com EM progressiva para inclusão em estudos de investigação clínica e ensaios clínicos.
Congresso: 8º Congresso da Academia Europeia de Neurologia (EAN)
Literatura:
- Pote C: As pessoas com EM estão no centro: Estratégias para implementar resultados analógicos e digitais relatados pelos pacientes na prática de rotina. EAN/ECTRIMS: Avanços científicos para a transição imediata para a prática clínica na esclerose múltipla. SYMP02-1. Congresso EAN 2022.
- Rocca M: Diagnóstico de IA e EM e diagnóstico diferencial. Aplicação da inteligência artificial à RM na Esclerose Múltipla: do diagnóstico ao prognóstico e monitorização. FW08-2. Congresso EAN 2022.
- Barro C, et al: Serum Glial Fibrillary Acidic Protein: A Biomarker of Disease Progression in Multiple Sclerosis. Apresentação oral. OPR-136 EAN Congress 2022.
InFo NEUROLOGIA & PSYCHIATRY 2022, 20(4): 36