Inteligência artificial supera testes clínicos na previsão do progresso da doença de Alzheimer

A equipe afirma que essa nova abordagem pode reduzir a necessidade de testes diagnósticos invasivos e caros, ao mesmo tempo em que melhora os resultados do tratamento precocemente, quando intervenções como mudanças no estilo de vida ou novos medicamentos podem ter a chance de funcionar melhor.

A demência representa um desafio global significativo para a saúde, afetando mais de 55 milhões de pessoas no mundo todo, a um custo anual estimado de US$ 820 bilhões. Espera-se que o número de casos quase triplique nos próximos 50 anos.

A principal causa da demência é a doença de Alzheimer, que responde por 60-80% dos casos. A detecção precoce é crucial, pois é quando os tratamentos provavelmente serão mais eficazes, mas o diagnóstico e o prognóstico precoces da demência podem não ser precisos sem o uso de testes invasivos ou caros, como tomografia por emissão de pósitrons (PET) ou punção lombar, que não estão disponíveis em todas as clínicas de memória. Como resultado, até um terço dos pacientes pode ser diagnosticado incorretamente e outros diagnosticados tarde demais para que o tratamento seja eficaz.

Uma equipe liderada por cientistas do Departamento de Psicologia da Universidade de Cambridge desenvolveu um modelo de aprendizado de máquina capaz de prever se e quão rápido um indivíduo com problemas leves de memória e pensamento progredirá para desenvolver a doença de Alzheimer. Em pesquisa publicada hoje em eMedicina Clínicaeles mostram que ele é mais preciso do que as ferramentas de diagnóstico clínico atuais.

Para construir seu modelo, os pesquisadores usaram dados de pacientes coletados rotineiramente, não invasivos e de baixo custo — testes cognitivos e exames de ressonância magnética estrutural mostrando atrofia da substância cinzenta — de mais de 400 indivíduos que faziam parte de uma coorte de pesquisa nos EUA.

Eles então testaram o modelo usando dados de pacientes do mundo real de mais 600 participantes do grupo dos EUA e — mais importante — dados longitudinais de 900 pessoas de clínicas de memória no Reino Unido e em Cingapura.

O algoritmo foi capaz de distinguir entre pessoas com comprometimento cognitivo leve estável e aquelas que progrediram para a doença de Alzheimer em um período de três anos. Ele foi capaz de identificar corretamente indivíduos que desenvolveram Alzheimer em 82% dos casos e identificar corretamente aqueles que não desenvolveram em 81% dos casos a partir de testes cognitivos e uma ressonância magnética apenas.

O algoritmo foi cerca de três vezes mais preciso na previsão da progressão para Alzheimer do que o padrão atual de tratamento; isto é, marcadores clínicos padrão (como atrofia da substância cinzenta ou pontuações cognitivas) ou diagnóstico clínico. Isso mostra que o modelo pode reduzir significativamente o diagnóstico incorreto.

O modelo também permitiu que os pesquisadores estratificassem pessoas com Alzheimer usando dados da primeira visita de cada pessoa à clínica de memória em três grupos: aqueles cujos sintomas permaneceriam estáveis ​​(cerca de 50% dos participantes), aqueles que progrediriam para Alzheimer lentamente (cerca de 35%) e aqueles que progrediriam mais rapidamente (os 15% restantes). Essas previsões foram validadas ao analisar dados de acompanhamento ao longo de 6 anos. Isso é importante, pois pode ajudar a identificar essas pessoas em um estágio inicial o suficiente para que possam se beneficiar de novos tratamentos, ao mesmo tempo em que identifica aquelas pessoas que precisam de monitoramento próximo, pois sua condição provavelmente se deteriorará rapidamente.

É importante ressaltar que os 50% de pessoas que apresentam sintomas como perda de memória, mas permanecem estáveis, seriam melhor encaminhados para um caminho clínico diferente, pois seus sintomas podem ser causados ​​por outras causas além da demência, como ansiedade ou depressão.

A autora sênior, Professora Zoe Kourtzi, do Departamento de Psicologia da Universidade de Cambridge, disse: “Criamos uma ferramenta que, apesar de usar apenas dados de testes cognitivos e exames de ressonância magnética, é muito mais sensível do que as abordagens atuais para prever se alguém progredirá de sintomas leves para Alzheimer — e, em caso afirmativo, se esse progresso será rápido ou lento.

“Isso tem o potencial de melhorar significativamente o bem-estar do paciente, mostrando-nos quais pessoas precisam de cuidados mais próximos, ao mesmo tempo em que remove a ansiedade para aqueles pacientes que prevemos que permanecerão estáveis. Em um momento de intensa pressão sobre os recursos de saúde, isso também ajudará a remover a necessidade de testes diagnósticos invasivos e dispendiosos desnecessários.”

Enquanto os pesquisadores testaram o algoritmo em dados de uma coorte de pesquisa, ele foi validado usando dados independentes que incluíram quase 900 indivíduos que frequentaram clínicas de memória no Reino Unido e em Cingapura. No Reino Unido, os pacientes foram recrutados por meio do Quantiative MRI in NHS Memory Clinics Study (QMIN-MC) liderado pelo coautor do estudo Dr. Timothy Rittman no Cambridge University Hospitals NHS Trust e Cambridgeshire and Peterborough NHS Foundation Trusts (CPFT).

Os pesquisadores dizem que isso mostra que o método pode ser aplicável em ambientes clínicos e com pacientes do mundo real.

Dr. Ben Underwood, Psiquiatra Consultor Honorário da CPFT e professor assistente do Departamento de Psiquiatria da Universidade de Cambridge, disse: “Problemas de memória são comuns à medida que envelhecemos. Na clínica, vejo como a incerteza sobre se esses podem ser os primeiros sinais de demência pode causar muita preocupação para as pessoas e suas famílias, além de ser frustrante para os médicos que prefeririam dar respostas definitivas. O fato de que podemos reduzir essa incerteza com informações que já temos é emocionante e provavelmente se tornará ainda mais importante à medida que novos tratamentos surgirem.”

O professor Kourtzi disse: “Os modelos de IA são tão bons quanto os dados em que são treinados. Para garantir que o nosso tenha o potencial de ser adotado em um ambiente de saúde, nós o treinamos e testamos em dados coletados rotineiramente, não apenas de coortes de pesquisa, mas de pacientes em clínicas de memória reais. Isso mostra que ele será generalizável para um ambiente do mundo real.”

A equipe agora espera estender seu modelo para outras formas de demência, como demência vascular e demência frontotemporal, e usar diferentes tipos de dados, como marcadores de exames de sangue.

O professor Kourtzi acrescentou: “Se vamos enfrentar o crescente desafio de saúde apresentado pela demência, precisaremos de melhores ferramentas para identificar e intervir no estágio mais precoce possível. Nossa visão é ampliar nossa ferramenta de IA para ajudar os clínicos a designar a pessoa certa na hora certa para o caminho certo de diagnóstico e tratamento. Nossa ferramenta pode ajudar a combinar os pacientes certos com os ensaios clínicos, acelerando a descoberta de novos medicamentos para tratamentos modificadores de doenças.”

O estudo foi financiado pela Wellcome, a Royal Society, a Alzheimer’s Research UK, a Alzheimer’s Drug Discovery Foundation Diagnostics Accelerator, o Alan Turing Institute e o National Institute for Health Research Cambridge Biomedical Research Centre.