A síndrome de Parkinson idiopática é a segunda doença neurodegenerativa mais comum, com incidência crescente. É desejável um diagnóstico imediato nas fases iniciais da doença, a fim de poder iniciar terapias eficazes o mais rapidamente possível. Uma hipótese é a avaliação dos dados dos sensores de pulso.
O diagnóstico da síndrome de Parkinson idiopática (IPS) é, na sua maioria, feito clinicamente. Os testes de diagnóstico adjuvantes são dispendiosos, morosos, insuficientemente disponíveis ou não específicos. Existe portanto uma grande necessidade clínica de um método disponível, barato, objectivo e interpretável. A aprendizagem mecânica pode ser utilizada para uma análise significativa dos dados do sensor de movimento. Tais dados podem ser recolhidos, por exemplo, através de dispositivos usados no corpo (objectos de desgaste). A combinação de diagnósticos de sensores miniaturizados e cada vez mais ligados em rede à Internet das coisas (IoT) com métodos de aprendizagem de máquinas oferece a oportunidade de uma metodologia de diagnóstico rentável e, ao mesmo tempo, altamente eficaz.
Foi realizado um estudo de prova de conceito para uma abordagem de diagnóstico baseada em dados com um modelo hierárquico na DP inicial para recolher métricas clinimétricas de um algoritmo de diagnóstico utilizando a aprendizagem de máquinas e dados de sensores de pulso. Foram recolhidos dados do acelerómetro 3D de 25 pacientes numa fase inicial da doença e 25 sujeitos de controlo. As gravações foram feitas com uma Microsoft Band 2, que registou os movimentos do braço a uma taxa de amostragem de 62,5 Hz, com os sujeitos a movimentarem-se livremente (cenário de vida livre). Os dados dos sensores foram colocados num modelo hierárquico. O algoritmo classificou 22 dos 25 doentes de Parkinson como positivos, e 21 dos 25 saudáveis como negativos. A especificidade foi de 0,85, a sensibilidade de 0,84. O valor preditivo positivo foi de 0,88, o valor preditivo negativo foi de 0,84. A precisão foi de 0,86. Os resultados são promissores e devem ser validados em mais coortes com modelos optimizados.
Fonte: 92º Congresso da Sociedade Alemã de Neurologia (DGN)
InFo NEUROLOGY & PSYCHIATRY 2019; 17(6): 35 (publicado 23.11.19, antes da impressão).
