{"id":368084,"date":"2023-11-21T00:01:00","date_gmt":"2023-11-20T23:01:00","guid":{"rendered":"https:\/\/medizinonline.com\/a-inteligencia-artificial-apoia-o-diagnostico-e-a-terapia-da-doenca-de-parkinson\/"},"modified":"2024-01-03T21:46:34","modified_gmt":"2024-01-03T20:46:34","slug":"a-inteligencia-artificial-apoia-o-diagnostico-e-a-terapia-da-doenca-de-parkinson","status":"publish","type":"post","link":"https:\/\/medizinonline.com\/pt-pt\/a-inteligencia-artificial-apoia-o-diagnostico-e-a-terapia-da-doenca-de-parkinson\/","title":{"rendered":"A intelig\u00eancia artificial apoia o diagn\u00f3stico e a terapia da doen\u00e7a de Parkinson"},"content":{"rendered":"\n

O tratamento das pessoas que sofrem da doen\u00e7a de Parkinson pode ser significativamente melhorado atrav\u00e9s da utiliza\u00e7\u00e3o de t\u00e9cnicas digitais. A forma exacta como a intelig\u00eancia artificial pode contribuir para uma terapia individual est\u00e1 atualmente a ser analisada em muitos estudos e investiga\u00e7\u00f5es. O objetivo \u00e9 poder detetar de forma fi\u00e1vel os primeiros sinais para poder intervir o mais cedo poss\u00edvel no curso da doen\u00e7a. <\/strong><\/p>\n\n\n\n

A doen\u00e7a de Parkinson (DP) \u00e9 a causa degenerativa mais comum de parkinsonismo. O parkinsonismo at\u00edpico inclui a paralisia supranuclear progressiva (PSP), a atrofia de m\u00faltiplos sistemas (MSA) e a degeneresc\u00eancia corticobasal (CBD). A diferencia\u00e7\u00e3o cl\u00ednica das s\u00edndromes de Parkinson continua a ser dif\u00edcil. Por conseguinte, foi investigado se a RM e a aprendizagem autom\u00e1tica melhoram a precis\u00e3o do diagn\u00f3stico em doentes com DP precoce em compara\u00e7\u00e3o com os crit\u00e9rios cl\u00ednicos [1]. Foram inclu\u00eddos no estudo 118 doentes com suspeita de parkinsonismo at\u00edpico para os quais estava dispon\u00edvel um acompanhamento e foi efectuada uma resson\u00e2ncia magn\u00e9tica cerebral no in\u00edcio do estudo. Os diagn\u00f3sticos na linha de base e ap\u00f3s um per\u00edodo de acompanhamento de dois anos foram efectuados utilizando os crit\u00e9rios cl\u00ednicos publicados. O diagn\u00f3stico da RM foi efectuado com base na an\u00e1lise radiol\u00f3gica das imagens de RM. As imagens ponderadas em T1 foram segmentadas utilizando o FreeSurfer, um software de segmenta\u00e7\u00e3o autom\u00e1tica, e os volumes das regi\u00f5es de interesse foram extra\u00eddos: C\u00e9rebro m\u00e9dio, ponte, cerebelo e g\u00e2nglios basais. Um algoritmo de aprendizagem autom\u00e1tica supervisionada (regress\u00e3o log\u00edstica), previamente desenvolvido e treinado com volumes das mesmas regi\u00f5es, foi testado nesta popula\u00e7\u00e3o. Posteriormente, a precis\u00e3o do diagn\u00f3stico dos crit\u00e9rios cl\u00ednicos na primeira consulta, a an\u00e1lise radiol\u00f3gica da RM e o algoritmo de aprendizagem autom\u00e1tica foram comparados, utilizando o diagn\u00f3stico final como refer\u00eancia.<\/p>\n\n

Verificou-se que os crit\u00e9rios de diagn\u00f3stico cl\u00ednico tinham uma precis\u00e3o de diagn\u00f3stico de 63,6% na linha de base. A an\u00e1lise radiol\u00f3gica da RMN classificou corretamente 82% dos doentes que preenchiam os crit\u00e9rios para um poss\u00edvel diagn\u00f3stico e 75% dos doentes com um diagn\u00f3stico pouco claro na linha de base. O algoritmo tamb\u00e9m confirmou o diagn\u00f3stico de Parkinsonismo em 91% dos doentes e em 66% dos doentes com um diagn\u00f3stico indeterminado. Os resultados sublinham as limita\u00e7\u00f5es dos crit\u00e9rios cl\u00ednicos e a contribui\u00e7\u00e3o da RMN para a diferencia\u00e7\u00e3o precoce do Parkinsonismo. Embora a precis\u00e3o seja inferior \u00e0 da RMN, a aprendizagem autom\u00e1tica pode ser \u00fatil em centros que n\u00e3o sejam especializados.<\/p>\n\n

Olhar profundamente nos olhos<\/h3>\n\n

As doen\u00e7as neurodegenerativas (DND) s\u00e3o a principal e crescente causa de incapacidade em todo o mundo. O aumento da taxa de incid\u00eancia da doen\u00e7a de Parkinson \u00e9 particularmente alarmante. Por conseguinte, existe uma necessidade urgente de biomarcadores sens\u00edveis e espec\u00edficos que permitam uma previs\u00e3o diferencial – especialmente nas fases iniciais e prodr\u00f3micas da doen\u00e7a, de modo a que possa ser planeada e prosseguida uma abordagem m\u00e9dica personalizada da terap\u00eautica. O desenvolvimento de medidas objectivas da DP \u00e9 complicado devido ao espetro cognitivo e motor da doen\u00e7a e \u00e0 presen\u00e7a de perturba\u00e7\u00f5es at\u00edpicas como a Paralisia Supranuclear Progressiva (PSP). O rastreio ocular tem sido proposto como uma fonte de biomarcadores prospectivos na DP. Trabalhos recentes demonstraram a utiliza\u00e7\u00e3o da aprendizagem autom\u00e1tica para classificar a DP e o seu espetro cognitivo com base em caracter\u00edsticas oculomotoras. Atualmente, foi demonstrado um aumento da sensibilidade numa tarefa n\u00e3o estruturada de visualiza\u00e7\u00e3o livre, tanto na DP como na PSP [2].<\/p>\n\n

120 doentes com DP, 8 participantes com PSP e 97 participantes de controlo com a mesma idade, sem disfun\u00e7\u00e3o neurol\u00f3gica, realizaram uma tarefa naturalista de vis\u00e3o livre enquanto os seus olhos eram seguidos com elevada precis\u00e3o. As massas de sacudidelas, pupilas e pestanejos foram extra\u00eddas dos filmes de 10 minutos. Estas medi\u00e7\u00f5es foram utilizadas para treinar um classificador utilizando uma m\u00e1quina de vectores de apoio. O classificador foi ajustado e o desempenho foi medido pela \u00e1rea sob as curvas ROC-AUC (Receiver Operating Characteristic Curves) utilizando uma s\u00e9rie de testes e valida\u00e7\u00e3o cruzada. Verificou-se que a DP e a PSP s\u00e3o previstas com elevada sensibilidade utilizando um paradigma de observa\u00e7\u00e3o de vis\u00e3o livre. O ROC-AUC n\u00e3o s\u00f3 era compar\u00e1vel ao da tarefa antisacada, como era ainda melhor. Em seguida, o desempenho deste classificador ser\u00e1 avaliado de forma independente utilizando um conjunto de testes ing\u00e9nuos.<\/p>\n\n

Classifica\u00e7\u00e3o com base em exames cerebrais<\/h3>\n\n

Os futuros tratamentos neuroprotectores para a DP real\u00e7am a necessidade de testes de diagn\u00f3stico precoces. A RMN n\u00e3o \u00e9 atualmente considerada um exame imagiol\u00f3gico robusto para a DP. Mas t\u00e9cnicas explorat\u00f3rias sugerem que sequ\u00eancias experimentais espec\u00edficas podem ser capazes de detetar altera\u00e7\u00f5es patol\u00f3gicas precoces no c\u00e9rebro. Por conseguinte, foi investigado se essas altera\u00e7\u00f5es podem ser detectadas em exames de RMN de rotina utilizando m\u00e9todos de aprendizagem profunda (DL) [3]. Este subconjunto da aprendizagem autom\u00e1tica revelou-se recentemente muito promissor para a imagiologia m\u00e9dica de diagn\u00f3stico, uma vez que tem o potencial de detetar padr\u00f5es invis\u00edveis ao olho humano. Novos m\u00e9todos explicativos permitem interpretar melhor as previs\u00f5es de DL.<\/p>\n\n

194 exames foram efectuados mais de quatro anos ap\u00f3s o diagn\u00f3stico, 265 dois a quatro anos ap\u00f3s o diagn\u00f3stico, 241 um a dois anos ap\u00f3s o diagn\u00f3stico e 282 menos de um ano ap\u00f3s o diagn\u00f3stico. Cada coorte foi emparelhada com controlos com base na idade e no sexo. Quanto maior for o tempo decorrido desde o diagn\u00f3stico, melhor ser\u00e1 o desempenho de diagn\u00f3stico dos modelos. Os modelos treinados nos \u00faltimos casos de Parkinson apresentaram um bom desempenho de diagn\u00f3stico. A diminui\u00e7\u00e3o do desempenho em fases anteriores da DP sugere que foram identificadas altera\u00e7\u00f5es progressivas. A utiliza\u00e7\u00e3o de IA explic\u00e1vel destacou regi\u00f5es consistentes com a neuropatologia conhecida da DP e fornece um foco para trabalho futuro.<\/p>\n\n

Reconhecer e classificar o tremor<\/h3>\n\n

Os principais sintomas da DP s\u00e3o a bradicinesia, o tremor e a rigidez. O diagn\u00f3stico da DP depende principalmente da avalia\u00e7\u00e3o cl\u00ednica utilizando a revis\u00e3o da Escala Unificada de Avalia\u00e7\u00e3o da Doen\u00e7a de Parkinson (MDS-UPDRS) patrocinada pela Movement Disorder Society. Um estudo tentou desenvolver um programa de aprendizagem autom\u00e1tica para detetar e classificar o tremor em doentes com doen\u00e7a de Parkinson [4].<\/p>\n\n

Foi desenvolvido um aceler\u00f3metro mec\u00e2nico triaxial para medir objetivamente o tremor na DP e nas perturba\u00e7\u00f5es do movimento relacionadas, para al\u00e9m da avalia\u00e7\u00e3o cl\u00ednica. Para este efeito, foi utilizada uma medi\u00e7\u00e3o cont\u00ednua quantitativa de baixo custo dos movimentos das extremidades de pessoas com DP – uma modifica\u00e7\u00e3o da MDS-UPDRS. O protocolo foi conduzido por avaliadores formados e certificados pela MDS-UPDRS em 20 participantes com DP e em oito controlos saud\u00e1veis da mesma idade e sexo. Segmentos de dez segundos de sinais de acelera\u00e7\u00e3o das tarefas repetitivas (bater com os dedos, movimentos das m\u00e3os, prona\u00e7\u00e3o-supina\u00e7\u00e3o das m\u00e3os, bater com os dedos dos p\u00e9s e mobilidade das pernas) e as suas Transformadas R\u00e1pidas de Fourier (FFT) e de Wavelet Cont\u00ednua (CWT) foram divididos em duas classes: baixa (correspondente \u00e0s classifica\u00e7\u00f5es 0-1) e alta (correspondente \u00e0s classifica\u00e7\u00f5es 3-4). Um n\u00famero igual de imagens foi selecionado aleatoriamente de cada classe e utilizado para classifica\u00e7\u00e3o. A capacidade da rede para classificar corretamente as imagens de valida\u00e7\u00e3o determinou a sua taxa de acerto.<\/p>\n\n

A rede teve 92% de precis\u00e3o na previs\u00e3o de novas imagens CWT e 97% de precis\u00e3o na previs\u00e3o de novas imagens STFT nas classes baixa (0-1) e alta (3-4). A utiliza\u00e7\u00e3o da aprendizagem autom\u00e1tica para categorizar os resultados das ferramentas de movimento \u00e9 uma t\u00e9cnica vi\u00e1vel para classificar os movimentos repetitivos de pessoas com DP e de controlos saud\u00e1veis. A experi\u00eancia deve ser repetida com 100 doentes e 100 indiv\u00edduos saud\u00e1veis de controlo.<\/p>\n\n

Tiques em foco<\/h3>\n\n

Pode ser dif\u00edcil distinguir entre tiques em pessoas com perturba\u00e7\u00f5es de tiques e movimentos adicionais em controlos saud\u00e1veis. Al\u00e9m disso, a avalia\u00e7\u00e3o dos tiques a partir de grava\u00e7\u00f5es de v\u00eddeo \u00e9 morosa e fastidiosa. A aprendizagem autom\u00e1tica tem potencial para ajudar a superar estes desafios, distinguindo entre tiques e outros movimentos adicionais e apoiando as avalia\u00e7\u00f5es cl\u00ednicas. <\/p>\n\n

Num estudo, um conjunto de dados de 63 v\u00eddeos de pessoas com perturba\u00e7\u00f5es de tiques foi utilizado para treinar um classificador de floresta aleat\u00f3ria para a dete\u00e7\u00e3o de tiques segundo a segundo [5]. O classificador utilizou caracter\u00edsticas 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 ent\u00e3o utilizado para prever a presen\u00e7a de tiques em doentes e movimentos adicionais em controlos saud\u00e1veis. Estas previs\u00f5es foram utilizadas para calcular v\u00e1rias caracter\u00edsticas, tais como o n\u00famero de tiques por minuto, a dura\u00e7\u00e3o m\u00e1xima de um segmento cont\u00ednuo sem tiques, a dura\u00e7\u00e3o m\u00e1xima de um tique cont\u00ednuo, a dura\u00e7\u00e3o m\u00e9dia de segmentos sem tiques, o n\u00famero de mudan\u00e7as de segmentos com tiques para segmentos sem tiques e vice-versa por minuto, o tamanho m\u00e9dio de um grupo de tiques e o n\u00famero de grupos por minuto. Essas caracter\u00edsticas foram combinadas em um \u00fanico escore de reconhecimento de tique usando regress\u00e3o log\u00edstica. Os par\u00e2metros do modelo foram determinados pelo treino com um conjunto de dados de 124 v\u00eddeos de indiv\u00edduos com dist\u00farbios de tiques e 162 v\u00eddeos de controlos saud\u00e1veis. Para avaliar a precis\u00e3o desta pontua\u00e7\u00e3o na classifica\u00e7\u00e3o de doentes e controlos saud\u00e1veis, foi utilizado um conjunto de dados de teste com 50 v\u00eddeos de doentes e 50 v\u00eddeos de controlos saud\u00e1veis. O conjunto de teste obteve uma precis\u00e3o de classifica\u00e7\u00e3o de 83%.<\/p>\n\n

O algoritmo de aprendizagem autom\u00e1tica \u00e9 \u00fatil para reconhecer tiques e distinguir entre tiques e outros movimentos adicionais. Poder\u00e1 ser desenvolvida numa ferramenta clinicamente aplic\u00e1vel. Para melhorar a precis\u00e3o da classifica\u00e7\u00e3o, o pr\u00f3ximo passo \u00e9 ajustar a pontua\u00e7\u00e3o para a dete\u00e7\u00e3o de tiques. Al\u00e9m disso, ser\u00e1 analisada a import\u00e2ncia das caracter\u00edsticas individuais, a fim de determinar quais as caracter\u00edsticas mais \u00fateis para distinguir os dois grupos. O algoritmo tamb\u00e9m poderia ser \u00fatil para distinguir entre tiques e movimentos funcionais.<\/p>\n\n

Congresso: International Congress of Parkinson\u2019s Disease and Movement Disorders\u00ae<\/sup> 2023<\/em><\/p>\n\n

<\/p>\n\n

Literatura:<\/p>\n\n

    \n
  1. 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).<\/li>\n\n\n\n
  2. Brien D, Riek H, Ye R, et al.: Machine learning classifies Parkinson\u2019s 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).<\/li>\n\n\n\n
  3. Courtman M, Thurston M, Mcgavin L, et al.: Explainable deep learning based detection of Parkinson\u2019s changes in MRI brain scans [abstract 1552]. Mov Disord 2023; 38 (suppl 1).<\/li>\n\n\n\n
  4. Elshourbagy T, Hernandez M, Mckay G, Brasic J: Artificial Intelligence to detect and classify tremors in patients with Parkinson\u2019s disease and related conditions [abstract 1211]. Mov Disord 2023; 38 (suppl 1).<\/li>\n\n\n\n
  5. Becker L, Schappert R, Br\u00fcgge 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).<\/li>\n<\/ol>\n\n

    InFo NEUROLOGIE & PSYCHIATRIE 2023; 21(5): 24\u201325<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

    O tratamento das pessoas que sofrem da doen\u00e7a de Parkinson pode ser significativamente melhorado atrav\u00e9s da utiliza\u00e7\u00e3o de t\u00e9cnicas digitais. A forma exacta como a intelig\u00eancia artificial pode contribuir para…<\/p>\n","protected":false},"author":7,"featured_media":368090,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","cat_1_feature_home_top":false,"cat_2_editor_pick":false,"csco_eyebrow_text":"Digitaliza\u00e7\u00e3o","footnotes":""},"category":[11521,11374,11529,11551],"tags":[14153,51194,11755,71654],"powerkit_post_featured":[],"class_list":["post-368084","post","type-post","status-publish","format-standard","has-post-thumbnail","category-estudos","category-neurologia-pt-pt","category-relatorios-do-congresso","category-rx-pt","tag-inteligencia-artificial","tag-ki-pt-pt","tag-parkinson-pt-pt","tag-terapia-para-a-doenca-de-parkinson","pmpro-has-access"],"acf":[],"publishpress_future_action":{"enabled":false,"date":"2026-05-02 06:20:05","action":"change-status","newStatus":"draft","terms":[],"taxonomy":"category","extraData":[]},"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"wpml_current_locale":"pt_PT","wpml_translations":{"es_ES":{"locale":"es_ES","id":368099,"slug":"la-inteligencia-artificial-apoya-el-diagnostico-y-la-terapia-de-la-enfermedad-de-parkinson","post_title":"La inteligencia artificial apoya el diagn\u00f3stico y la terapia de la enfermedad de Parkinson","href":"https:\/\/medizinonline.com\/es\/la-inteligencia-artificial-apoya-el-diagnostico-y-la-terapia-de-la-enfermedad-de-parkinson\/"}},"_links":{"self":[{"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/posts\/368084","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/comments?post=368084"}],"version-history":[{"count":2,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/posts\/368084\/revisions"}],"predecessor-version":[{"id":373478,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/posts\/368084\/revisions\/373478"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/media\/368090"}],"wp:attachment":[{"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/media?parent=368084"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/category?post=368084"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/tags?post=368084"},{"taxonomy":"powerkit_post_featured","embeddable":true,"href":"https:\/\/medizinonline.com\/pt-pt\/wp-json\/wp\/v2\/powerkit_post_featured?post=368084"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}