{"id":32913,"date":"2026-05-04T10:25:06","date_gmt":"2026-05-04T08:25:06","guid":{"rendered":"https:\/\/neuronup.com\/?p=32913"},"modified":"2026-05-04T10:25:06","modified_gmt":"2026-05-04T08:25:06","slug":"diagnostico-diferencial-baseado-em-ia-de-etiologias-de-demencia-em-dados-multimodais","status":"publish","type":"post","link":"https:\/\/neuronup.com\/br\/investigacao\/linhas-de-investigacao\/diagnostico-diferencial-baseado-em-ia-de-etiologias-de-demencia-em-dados-multimodais\/","title":{"rendered":"Diagn\u00f3stico diferencial de etiologias de dem\u00eancia baseado em IA em dados multimodais"},"content":{"rendered":"\n

O pesquisador Antonio Javier Sutil Jim\u00e9nez exp\u00f5e neste artigo os dados mais relevantes sobre o estudo “Diagn\u00f3stico diferencial de etiologias de dem\u00eancia baseado em IA sobre dados multimodais”<\/em>. <\/p>\n\n\n\n

Por que \u00e9 importante o estudo da dem\u00eancia e da intelig\u00eancia artificial (IA)?<\/h2>\n\n\n\n

A popula\u00e7\u00e3o mundial est\u00e1 envelhecendo e, com isso, enfrentamos m\u00faltiplos riscos de sa\u00fade associados \u00e0 idade. Um desses riscos s\u00e3o as dem\u00eancias, cujo diagn\u00f3stico aumenta cerca de 10 milh\u00f5es de casos novos a cada ano. As dem\u00eancias<\/a> s\u00e3o um conjunto de doen\u00e7as caracterizadas pelo decl\u00ednio das fun\u00e7\u00f5es cognitivas a ponto de dificultar ou impossibilitar atividades da vida di\u00e1ria de forma independente. Dentre elas destaca-se a doen\u00e7a de Alzheimer, mas existem muitas outras, como a dem\u00eancia vascular, a dem\u00eancia por corpos de Lewy<\/a> ou a dem\u00eancia frontotemporal<\/a>.<\/p>\n\n\n\n

Como intervir para reduzir problemas associados \u00e0s dem\u00eancias?<\/h3>\n\n\n\n

A resposta estaria relacionada com a obten\u00e7\u00e3o de diagn\u00f3sticos precoces e precisos<\/strong> que permitam realizar terapias eficazes e especificamente dirigidas a cada doen\u00e7a. Em 2017, a Organiza\u00e7\u00e3o Mundial da Sa\u00fade (OMS) j\u00e1 declarou a necessidade de melhorar os diagn\u00f3sticos para responder ao aumento de casos de dem\u00eancia a n\u00edvel mundial. No entanto, os diferentes tipos de dem\u00eancia s\u00e3o \u00e0s vezes dificilmente diferenci\u00e1veis em est\u00e1gios iniciais<\/strong>, j\u00e1 que os sintomas associados a cada dem\u00eancia s\u00e3o complexos. Soma-se a isso o fato de que, por vezes, diferentes dem\u00eancias podem coexistir, o que acarreta um grande n\u00famero de erros diagn\u00f3sticos.<\/p>\n\n\n\n

Padr\u00e3o-ouro <\/h3>\n\n\n\n

Esses diagn\u00f3sticos basearam-se principalmente em avalia\u00e7\u00f5es neuropsicol\u00f3gicas. No entanto, esses diagn\u00f3sticos baseados em testes cognitivos e comportamentais tentaram ser vinculados a testes que avaliam amostras biol\u00f3gicas, como exames de resson\u00e2ncia, amostras de sangue ou l\u00edquido cefalorraquidiano, entre outros. Apesar dos grandes esfor\u00e7os, ainda n\u00e3o existe um teste diagn\u00f3stico do tipo \u201cpadr\u00e3o-ouro\u201d<\/strong>. Esse \u00e9 o nome que denomina um teste diagn\u00f3stico que possua alta confiabilidade para diagnosticar uma doen\u00e7a espec\u00edfica. Esse padr\u00e3o-ouro foi buscado principalmente por meio de dados biol\u00f3gicos, sem sucesso at\u00e9 o momento.<\/p>\n\n\n\n

<\/div>\n\n\n\n\n\n
<\/div>\n\n\n\n

Solu\u00e7\u00e3o baseada em intelig\u00eancia artificial (IA)<\/h3>\n\n\n\n

Para resolver essa situa\u00e7\u00e3o, um grupo de pesquisadores da Universidade de Boston juntamente com pesquisadores de todos os Estados Unidos propuseram uma solu\u00e7\u00e3o baseada em intelig\u00eancia artificial que permitiria trabalhar com um grande conjunto de dados de car\u00e1ter heterog\u00eaneo<\/strong>. Esses dados s\u00e3o heterog\u00eaneos porque se baseiam em imitar o mundo real<\/strong>; ou seja, utilizar as mesmas ferramentas que um profissional cl\u00ednico usaria para dar uma solu\u00e7\u00e3o ao problema de diagn\u00f3stico e preven\u00e7\u00e3o relacionado \u00e0s dem\u00eancias. Os m\u00faltiplos tipos de dados abordados foram: sociodemogr\u00e1ficos, neurol\u00f3gicos, f\u00edsicos, hist\u00f3rico m\u00e9dico e exames de resson\u00e2ncia.<\/p>\n\n\n\n

O que foi feito?<\/h2>\n\n\n\n

Para poder aplicar um modelo baseado em intelig\u00eancia artificial era necess\u00e1ria uma quantidade massiva de dados, por isso os pesquisadores recorreram a nove conjuntos de dados independentes reunindo mais de 51.000 pacientes com diferentes tipos de dem\u00eancia<\/strong>. <\/p>\n\n\n\n

Pacientes com diferentes tipos de dem\u00eancia <\/h3>\n\n\n\n

A inclus\u00e3o de um amplo espectro de dem\u00eancias e com causas m\u00faltiplas foi um passo fundamental para obter uma caracteriza\u00e7\u00e3o rica e variada que possa ser representativa da realidade. Por isso foram inclu\u00eddos pacientes com dem\u00eancia devido a muitas causas diferentes, como Alzheimer<\/a>, acidentes vasculares cerebrais, com degenera\u00e7\u00e3o frontotemporal, degenera\u00e7\u00e3o corticobasal, devido a infec\u00e7\u00f5es, abuso de drogas, etc.<\/p>\n\n\n\n

Problema de perda de dados <\/h4>\n\n\n\n

No entanto, essa abordagem baseada em uma quantidade massiva de dados tamb\u00e9m torna prov\u00e1vel que haja dados ausentes. Este \u00e9 o caso oposto a ambientes muito controlados e com um n\u00famero mais reduzido de pacientes, nos quais a perda de dados \u00e9 minimizada. Nesse cen\u00e1rio, a abordagem requer grandes conjuntos de dados muito heterog\u00eaneos que permitam ao modelo aprender e ser o mais realista poss\u00edvel. Para resolver o problema relacionado \u00e0 perda de dados, os pesquisadores aplicaram t\u00e9cnicas que proporcionar\u00e3o a m\u00e1xima robustez durante as primeiras etapas<\/strong>. A implementa\u00e7\u00e3o desses m\u00e9todos e estrat\u00e9gias robustas evita que o treinamento da intelig\u00eancia artificial fique enviesado<\/strong> e, portanto, que as futuras previs\u00f5es tamb\u00e9m o sejam. Al\u00e9m disso, seguiram-se procedimentos padronizados de inclus\u00e3o e exclus\u00e3o que asseguraram a consist\u00eancia e credibilidade dos resultados.<\/p>\n\n\n\n

Modelo do tipo “transformer”<\/h4>\n\n\n\n

Nesse ponto, tamb\u00e9m surge um importante desafio: a cria\u00e7\u00e3o de um modelo que permita agregar m\u00faltiplos tipos de dados e par\u00e2metros de diferente natureza, o que se denomina uma arquitetura do tipo \u201ctransformer\u201d. Nesse tipo de modelo, todas as caracter\u00edsticas diferentes inclu\u00eddas s\u00e3o transformadas no que se chama um \u201cvetor de comprimento fixo\u201d, seguindo uma estrat\u00e9gia espec\u00edfica que permite criar uma primeira camada do modelo sobre a qual o restante ser\u00e1 constru\u00eddo, decodificando isso em uma s\u00e9rie de previs\u00f5es.<\/p>\n\n\n\n

Para entend\u00ea-lo melhor, podemos pensar nesse modelo como em uma receita de cozinha, s\u00f3 que em vez de diferentes passos como em uma receita, o modelo ter\u00e1 diferentes camadas. Mas da mesma forma que, para obter um bom prato ap\u00f3s cozinhar, precisamos de bons ingredientes que combinem de maneira adequada, os pesquisadores queriam um bom sistema de classifica\u00e7\u00e3o dos pacientes e precisavam que seus ingredientes \u2014 ou seja, os dados iniciais \u2014 fossem bons e pudessem ser combinados adequadamente. No nosso paralelo com esse modelo de intelig\u00eancia artificial, seria transformar os diferentes dados que temos em um formato comum<\/strong> (vetor de comprimento fixo). Por isso, o modelo criado ser\u00e1 muito robusto diante da perda ou incompletude de dados e poder\u00e1 realizar previs\u00f5es confi\u00e1veis<\/strong>.<\/p>\n\n\n\n

Aprendizado auto-supervisionado <\/h4>\n\n\n\n

Especificamente, eles utilizam um tipo de modelo denominado de aprendizado auto-supervisionado. Neste enfoque de aprendizado de m\u00e1quina, o modelo aprende a partir de dados sem a necessidade de r\u00f3tulos expl\u00edcitos. Ao contr\u00e1rio do aprendizado supervisionado, que requer um conjunto de dados rotulado, o aprendizado auto-supervisionado baseia-se em encontrar estruturas e padr\u00f5es nos dados sem a interven\u00e7\u00e3o humana direta para rotul\u00e1-los.<\/p>\n\n\n\n

Fase de treinamento, valida\u00e7\u00e3o e compara\u00e7\u00e3o com especialistas<\/h4>\n\n\n\n

O que veio a seguir no desenvolvimento do modelo foi a fase de treinamento, valida\u00e7\u00e3o e compara\u00e7\u00e3o com especialistas. Os processos de treinamento e valida\u00e7\u00e3o s\u00e3o habituais nesse tipo de estudo. <\/p>\n\n\n\n

O treinamento consistiu em alimentar o modelo utilizando dados das diferentes coortes, integrando todas as modalidades para aprender padr\u00f5es associados a diferentes tipos de dem\u00eancia. Ap\u00f3s o treinamento do modelo realizou-se a valida\u00e7\u00e3o, que \u00e9 a utiliza\u00e7\u00e3o de dados n\u00e3o vistos previamente, para assegurar que o modelo pode generalizar suas previs\u00f5es para dados desconhecidos.<\/p>\n\n\n\n

Por fim, e de forma inovadora, os pesquisadores testaram os diagn\u00f3sticos realizados pelo modelo com m\u00e9dicos especializados no diagn\u00f3stico de dem\u00eancias. Para isso, convidaram um grupo de 12 neurologistas e 7 neurorradiologistas para participar de tarefas de diagn\u00f3stico de um subconjunto de 100 casos com diferentes tipos de dem\u00eancia<\/strong>. Foram fornecidos os dados dispon\u00edveis para cada um desses 100 casos e pediu-se que fornecessem suas impress\u00f5es diagn\u00f3sticas, bem como uma pontua\u00e7\u00e3o de confian\u00e7a que variava entre 0 e 100 para o diagn\u00f3stico de cada uma das 13 etiquetas poss\u00edveis. Nesse ponto, quis-se saber se os julgamentos cl\u00ednicos poderiam ser melhorados utilizando o modelo criado.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Inscreva-se<\/strong>
na nossa
Newsletter<\/h2>\n\n\n\n
\n
Inscreva-se<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Quais s\u00e3o as principais conclus\u00f5es deste estudo sobre dem\u00eancia e intelig\u00eancia artificial (IA)?<\/h2>\n\n\n\n

Os resultados principais podem ser divididos em tr\u00eas partes: classifica\u00e7\u00e3o saud\u00e1veis vs comprometimento, classifica\u00e7\u00e3o das patologias e a melhoria do crit\u00e9rio cl\u00ednico usando o modelo.<\/p>\n\n\n\n

O estudo avaliou o desempenho de um modelo de intelig\u00eancia artificial (IA) para classificar indiv\u00edduos em tr\u00eas categorias cognitivas: <\/p>\n\n\n\n