{"id":33956,"date":"2026-05-04T10:31:22","date_gmt":"2026-05-04T08:31:22","guid":{"rendered":"https:\/\/neuronup.com\/?p=33956"},"modified":"2026-05-04T10:31:22","modified_gmt":"2026-05-04T08:31:22","slug":"previsao-da-incidencia-da-doenca-de-alzheimer-por-meio-de-machine-learning-utilizando-dados-de-saude-administrativos-em-grande-escala","status":"publish","type":"post","link":"https:\/\/neuronup.com\/br\/investigacao\/linhas-de-investigacao\/previsao-da-incidencia-da-doenca-de-alzheimer-por-meio-de-machine-learning-utilizando-dados-de-saude-administrativos-em-grande-escala\/","title":{"rendered":"Predi\u00e7\u00e3o da incid\u00eancia da doen\u00e7a de Alzheimer utilizando dados administrativos de sa\u00fade em grande escala"},"content":{"rendered":"\n

Neste artigo, Antonio Javier Sutil Jim\u00e9nez fala sobre o estudo “Predi\u00e7\u00e3o da incid\u00eancia da doen\u00e7a de Alzheimer por meio de machine learning utilizando dados administrativos de sa\u00fade em larga escala”<\/em>. <\/p>\n\n\n\n

Por que \u00e9 importante o estudo de predi\u00e7\u00e3o do Alzheimer com machine learning?<\/h2>\n\n\n\n

O avan\u00e7o da tecnologia pode proporcionar, \u00e0s vezes, solu\u00e7\u00f5es inesperadas para problemas m\u00e9dicos. Um exemplo disso \u00e9 o uso de dados administrativos de sa\u00fade para criar modelos preditivos de risco de desenvolver a doen\u00e7a de Alzheimer<\/a>. <\/p>\n\n\n\n

A grande novidade do trabalho de Park e colaboradores foi o aproveitamento dessa quantidade massiva de dados que, como descrevem os pesquisadores, ainda est\u00e1 em muitos casos por ser explorada. Por isso, a digitaliza\u00e7\u00e3o dos prontu\u00e1rios cl\u00ednicos se tornou um recurso de grande valor para reduzir os esfor\u00e7os e o custo da coleta de dados<\/strong>. <\/p>\n\n\n\n

Apesar disso, sua aplica\u00e7\u00e3o a doen\u00e7as como o Alzheimer havia sido limitada. Em parte, isso foi resolvido gra\u00e7as ao aumento da capacidade de computa\u00e7\u00e3o<\/strong>, o que permite aplicar t\u00e9cnicas de machine learning \u00e0 an\u00e1lise dos dados e criar modelos preditivos que possam ser representativos da popula\u00e7\u00e3o, por contar com amostras suficientemente grandes.<\/p>\n\n\n\n

Premissa do estudo<\/h3>\n\n\n\n

Para a realiza\u00e7\u00e3o do estudo, parte-se da premissa de que o uso de dados de indiv\u00edduos em risco de desenvolver a doen\u00e7a de Alzheimer permitir\u00e1 uma melhor detec\u00e7\u00e3o precoce<\/a> de casos em est\u00e1gio pr\u00e9-cl\u00ednico<\/strong> e, portanto, melhorar as estrat\u00e9gias terap\u00eauticas. <\/p>\n\n\n\n

Para alcan\u00e7ar esse objetivo, o grupo de pesquisadores teve acesso ao banco de dados do sistema nacional de sa\u00fade da Coreia, que continha mais de 40.000 prontu\u00e1rios de sa\u00fade de pessoas com mais de 65 anos<\/strong>, com grande quantidade de informa\u00e7\u00e3o como hist\u00f3rico pessoal, antecedentes familiares, dados sociodemogr\u00e1ficos, diagn\u00f3sticos, medica\u00e7\u00e3o, etc.<\/p>\n\n\n\n

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

Conjunto de dados<\/h3>\n\n\n\n

Para realizar o estudo, foi utilizada uma coorte do NHIS-NSC<\/strong> (The National Health Insurance Service\u2013National Sample Cohort) da Coreia do Sul, que inclu\u00eda mais de um milh\u00e3o de participantes, e foi realizado acompanhamento durante onze anos (2002 a 2013). <\/p>\n\n\n\n

O banco de dados continha informa\u00e7\u00f5es sobre os servi\u00e7os de sa\u00fade, diagn\u00f3sticos e prescri\u00e7\u00f5es de cada indiv\u00edduo, assim como caracter\u00edsticas cl\u00ednicas, que inclu\u00edam dados demogr\u00e1ficos, n\u00edveis de renda baseados no sal\u00e1rio mensal, c\u00f3digos de doen\u00e7as e medicamentos, valores de laborat\u00f3rio, perfis de sa\u00fade e hist\u00f3rico de doen\u00e7as pessoais e familiares. Dessa amostra, foram selecionados 40.736 adultos com mais de 40 anos para este estudo<\/strong>.<\/p>\n\n\n\n

Defini\u00e7\u00e3o operacional da doen\u00e7a de Alzheimer<\/h3>\n\n\n\n

A seguir, foi criada uma defini\u00e7\u00e3o operacional da doen\u00e7a de Alzheimer, baseada no algoritmo de um estudo canadense pr\u00e9vio. <\/p>\n\n\n\n

Esse algoritmo obteve uma sensibilidade de 79% e uma especificidade de 99%<\/strong>, incluindo c\u00f3digos de hospitaliza\u00e7\u00e3o, reclama\u00e7\u00f5es m\u00e9dicas e prescri\u00e7\u00f5es espec\u00edficas para o Alzheimer. <\/p>\n\n\n\n

Para melhorar a precis\u00e3o na detec\u00e7\u00e3o da doen\u00e7a, foram usadas as etiquetas “definite AD” para os casos nos quais se tinha alto grau de certeza, e “probable AD” para os casos confirmados apenas mediante os c\u00f3digos da CIE-10 (acr\u00f4nimo da Classifica\u00e7\u00e3o Internacional de Doen\u00e7as), com o fim de minimizar os falsos negativos. Com essas etiquetas, obteve-se uma preval\u00eancia da doen\u00e7a de Alzheimer de 1.5% para “definite AD” e de 4.9% para “probable AD”.<\/p>\n\n\n\n

An\u00e1lise<\/h3>\n\n\n\n

Para a an\u00e1lise e processamento dos dados, foram utilizadas caracter\u00edsticas como a idade e o sexo, al\u00e9m de 21 vari\u00e1veis provenientes do banco de dados NHIS-NSC, que inclu\u00edam perfis de sa\u00fade e hist\u00f3rico de doen\u00e7as familiares, juntamente com mais de 6.000 vari\u00e1veis derivadas dos c\u00f3digos CIE-10 e de medica\u00e7\u00e3o. <\/p>\n\n\n\n

Uma vez descritas as caracter\u00edsticas, estas foram alinhadas concentrando-se na incid\u00eancia do diagn\u00f3stico para cada indiv\u00edduo<\/strong>, segundo os c\u00f3digos CIE-10 e os c\u00f3digos de medicamentos. Isso permitiu eliminar doen\u00e7as raras e c\u00f3digos de medica\u00e7\u00e3o com baixa frequ\u00eancia de aparecimento. Al\u00e9m disso, foram exclu\u00eddos os indiv\u00edduos que n\u00e3o contavam com novos dados de sa\u00fade nos dois \u00faltimos anos. O conjunto final de vari\u00e1veis utilizadas nos modelos incluiu 4.894 caracter\u00edsticas \u00fanicas.<\/p>\n\n\n\n

Para realizar as previs\u00f5es para “n” anos no grupo com doen\u00e7a de Alzheimer, foram utilizadas as janelas de tempo compreendidas entre 2002 e o ano de incid\u00eancia. No grupo que n\u00e3o padecia da doen\u00e7a, tomaram-se os dados desde 2002 at\u00e9 2010-n. <\/p>\n\n\n\n

Por \u00faltimo, antes de implementar o modelo, foram criados subconjuntos de treinamento, valida\u00e7\u00e3o e teste utilizando tanto um conjunto de dados balanceado e amostrado aleatoriamente, quanto um conjunto de dados n\u00e3o balanceado.<\/p>\n\n\n\n

Aplica\u00e7\u00e3o de t\u00e9cnicas de machine learning (ML)<\/h3>\n\n\n\n

Finalmente, realizou-se o an\u00e1lise dos dados implementando t\u00e9cnicas de machine learning<\/strong> como random forest, support vector machine com kernel linear e regress\u00e3o log\u00edstica. <\/p>\n\n\n\n

O treinamento, a valida\u00e7\u00e3o e os testes foram realizados utilizando valida\u00e7\u00e3o cruzada estratificada com 5 itera\u00e7\u00f5es. <\/p>\n\n\n\n

A sele\u00e7\u00e3o de caracter\u00edsticas foi realizada dentro das amostras de treinamento utilizando um m\u00e9todo de limiar de vari\u00e2ncia, e a generaliza\u00e7\u00e3o do desempenho do modelo foi avaliada nas amostras de teste. <\/p>\n\n\n\n

Para verificar o desempenho do modelo, foram utilizadas m\u00e9tricas habituais, como a \u00e1rea sob a curva ROC, sensibilidade e especificidade.<\/p>\n\n\n\n

Para mais detalhes de como este estudo foi realizado, recomenda-se consultar o artigo original.<\/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 de predi\u00e7\u00e3o do Alzheimer com machine learning?<\/h2>\n\n\n\n

O trabalho destaca o potencial das t\u00e9cnicas de aprendizado de m\u00e1quina<\/strong> direcionadas por dados como uma ferramenta promissora<\/strong> para prever o risco<\/strong> de dem\u00eancia do tipo Alzheimer. <\/p>\n\n\n\n

Principal vantagem do estudo<\/h3>\n\n\n\n

Este estudo apresenta uma grande vantagem em compara\u00e7\u00e3o com outros enfoques baseados em informa\u00e7\u00f5es obtidas por exames de neuroimagem ou avalia\u00e7\u00f5es neuropsicol\u00f3gicas, pois foi realizado utilizando exclusivamente dados administrativos. <\/p>\n\n\n\n

Enquanto outros estudos se concentram em popula\u00e7\u00f5es que j\u00e1 se encontram em uma situa\u00e7\u00e3o de risco cl\u00ednico real ou que demonstraram preocupa\u00e7\u00e3o suficiente para consultar um profissional de sa\u00fade, essa abordagem aproveita a disponibilidade de dados administrativos para identificar riscos sem necessidade de avalia\u00e7\u00f5es cl\u00ednicas pr\u00e9vias<\/strong>.<\/p>\n\n\n\n

<\/div>\n\n\n\n
<\/td>Definite AD<\/td>Probable AD<\/td>Non-AD<\/td><\/tr>
N\u00ba<\/td>614<\/td>2026<\/td>38.710<\/td><\/tr>
Idade<\/td>80.7<\/td>79.2<\/td>74.5<\/td><\/tr>
Sexo (homem, mulher)<\/td>229, 285<\/td>733, 1293<\/td>18.200, 20.510<\/td><\/tr><\/tbody><\/table>
Tabela1. Dados simplificados das caracter\u00edsticas da amostra. Para maior precis\u00e3o dos dados e um maior n\u00famero de caracter\u00edsticas consultar a tabela 1 do trabalho original.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

A seguir, s\u00e3o mostradas as tabelas comparativas entre definite AD e non AD, e Probable AD e non AD para os anos de predi\u00e7\u00e3o 0 e 4 com todos os classificadores usados no estudo.<\/p>\n\n\n\n

<\/div>\n\n\n\n
Anos de predi\u00e7\u00e3o<\/td>Classificador<\/td>M\u00e9tricas<\/td><\/td><\/td><\/td><\/tr>
<\/td><\/td>Precis\u00e3o<\/td>AUC<\/td>Sensibilidade<\/td>Especificidade<\/td><\/tr>
0 anos<\/td>Regress\u00e3o log\u00edstica<\/td>0.76<\/td>0.794<\/td>0.726<\/td>0.793<\/td><\/tr>
<\/td>Support Vector Model<\/td>0.763<\/td>0.817<\/td>0.795<\/td>0.811<\/td><\/tr>
<\/td>Random Forest<\/td>0.823<\/td>0.898<\/td>0.509<\/td>0.852<\/td><\/tr>
4 a\u00f1os<\/td>Regress\u00e3o log\u00edstica<\/td>0.627<\/td>0.661<\/td>0.509<\/td>0.745<\/td><\/tr>
<\/td>Support Vector Model<\/td>0.646<\/td>0.685<\/td>0.538<\/td>0.754<\/td><\/tr>
<\/td>Random Forest<\/td>0.663<\/td>0.725<\/td>0.621<\/td>0.705<\/td><\/tr><\/tbody><\/table>
Definite AD vs Non AD.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n
Anos de predi\u00e7\u00e3o<\/td>Classificador<\/td>M\u00e9tricas<\/td><\/td><\/td><\/td><\/tr>
<\/td><\/td>Precis\u00e3o<\/td>AUC<\/td>Sensibilidade<\/td>Especificidade<\/td><\/tr>
0 a\u00f1os<\/td>Regress\u00e3o log\u00edstica<\/td>0.763<\/td>0.783<\/td>0.689<\/td>0.783<\/td><\/tr>
<\/td>Support Vector Model<\/td>0.734<\/td>0.794<\/td>0.652<\/td>0.816<\/td><\/tr>
<\/td>Random Forest<\/td>0.788<\/td>0.850<\/td>0.723<\/td>0.853<\/td><\/tr>
4 a\u00f1os<\/td>Regress\u00e3o log\u00edstica<\/td>0.611<\/td>0.644<\/td>0.516<\/td>0.707<\/td><\/tr>
<\/td>Support Vector Model<\/td>0.601<\/td>0.641<\/td>0.465<\/td>0.738<\/td><\/tr>
<\/td>Random Forest<\/td>0.641<\/td>0.683<\/td>0.603<\/td>0.679<\/td><\/tr><\/tbody><\/table>
Probable AD vs non AD.<\/figcaption><\/figure>\n\n
<\/div>\n\n\n\n

Ambas tabelas apresentadas s\u00e3o simplifica\u00e7\u00f5es das tabelas do artigo original. Neste caso, o n\u00famero de anos foi reduzido para apenas dois (0 e 4 anos) para os anos de previs\u00e3o.<\/p>\n\n\n\n

Resultados para a predi\u00e7\u00e3o <\/h3>\n\n\n\n

Outro ponto de destaque do artigo s\u00e3o as caracter\u00edsticas importantes encontradas para a predi\u00e7\u00e3o. Estas s\u00e3o descritas como relacionadas de maneira positiva ou negativa com a incid\u00eancia da doen\u00e7a de Alzheimer. Algumas das caracter\u00edsticas relacionadas positivamente <\/strong>com o desenvolvimento da doen\u00e7a incluem a idade, a presen\u00e7a de prote\u00edna na urina e a prescri\u00e7\u00e3o de zotepina (um antipsic\u00f3tico). <\/p>\n\n\n\n

Por outro lado, tamb\u00e9m foram detectadas caracter\u00edsticas que se relacionaram negativamente <\/strong>com a incid\u00eancia da doen\u00e7a, como a diminui\u00e7\u00e3o da hemoglobina, a prescri\u00e7\u00e3o de nicametato citrato (um vasodilatador), os transtornos degenerativos do sistema nervoso e os transtornos do ouvido externo.<\/p>\n\n\n\n

Al\u00e9m disso, o modelo preditivo foi testado usando apenas as 20 caracter\u00edsticas mais importantes, e verificou-se que o modelo apresentava uma precis\u00e3o para os anos 0 e 1 muito semelhante ao original.<\/p>\n\n\n\n

\u00c9 poss\u00edvel a detec\u00e7\u00e3o baseada em dados administrativos de sa\u00fade?<\/h3>\n\n\n\n

Portanto, a conclus\u00e3o do estudo \u00e9 que a detec\u00e7\u00e3o de indiv\u00edduos com risco de Alzheimer com base apenas em dados administrativos de sa\u00fade \u00e9 poss\u00edvel<\/strong>. No entanto, os autores deixam em aberto a possibilidade de que futuros estudos em diferentes na\u00e7\u00f5es e sistemas de sa\u00fade possam corroborar esses resultados. Sua replica\u00e7\u00e3o seria um marco que permitiria uma detec\u00e7\u00e3o mais precoce e precisa de pessoas em risco.<\/p>\n\n\n\n

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

Onde a NeuronUP poderia contribuir em um estudo como este?<\/h2>\n\n\n\n

NeuronUP<\/a> tem experi\u00eancia no \u00e2mbito cient\u00edfico em duas \u00e1reas principais: <\/p>\n\n\n\n

    \n
  1. Prestando apoio a grupos de pesquisa interessados em tecnologia,<\/li>\n\n\n\n
  2. realizando seus pr\u00f3prios trabalhos para serem publicados em peri\u00f3dicos de alto impacto cient\u00edfico.<\/li>\n<\/ol>\n\n\n\n

    Especificamente, para estudos com caracter\u00edsticas semelhantes aos revisados neste artigo, acreditamos que, ao ter acesso a grandes conjuntos de dados como os descritos, NeuronUP<\/a> disp\u00f5e da equipe e da experi\u00eancia necess\u00e1rias para:<\/p>\n\n\n\n