{"id":7360,"date":"2024-12-20T16:41:00","date_gmt":"2024-12-20T15:41:00","guid":{"rendered":"https:\/\/neuronup.com\/br\/?p=7360"},"modified":"2025-02-13T12:23:20","modified_gmt":"2025-02-13T10:23:20","slug":"diagnostico-diferencial-baseado-em-ia-de-etiologias-de-demencia-em-dados-multimodais","status":"publish","type":"post","link":"https:\/\/neuronup.com\/br\/novidades-neuronup\/diagnostico-diferencial-baseado-em-ia-de-etiologias-de-demencia-em-dados-multimodais\/","title":{"rendered":"Diagn\u00f3stico diferencial baseado em IA de etiologias de dem\u00eancia em dados multimodais"},"content":{"rendered":"\n

Neste artigo, o pesquisador Antonio Javier Sutil Jim\u00e9nez apresenta os dados mais relevantes do estudo \u201cDiagn\u00f3stico diferencial de etiologias de dem\u00eancia baseado em IA em dados multimodais<\/em>\u201d.<\/p>\n\n\n\n

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

A popula\u00e7\u00e3o mundial est\u00e1 envelhecendo e com isso enfrentamos m\u00faltiplos riscos para a sa\u00fade associados \u00e0 idade. Um desses riscos \u00e9 a dem\u00eancia, cujo diagn\u00f3stico aumenta em quase 10 milh\u00f5es de novos casos a cada ano. As dem\u00eancias s\u00e3o um grupo de doen\u00e7as que se caracterizam pela deteriora\u00e7\u00e3o das fun\u00e7\u00f5es cognitivas ao ponto de dificultar ou impossibilitar as atividades da vida di\u00e1ria de forma independente. Entre estas destaca-se a doen\u00e7a de Alzheimer, mas existem muitas outras como a dem\u00eancia vascular, a dem\u00eancia com corpos de Lewy ou a dem\u00eancia frontotemporal.<\/p>\n\n\n\n

Como intervir para reduzir os problemas associados \u00e0 dem\u00eancia?<\/h3>\n\n\n\n

A resposta estaria relacionada com a obten\u00e7\u00e3o de diagn\u00f3sticos precoces e precisos <\/strong>que permitam terap\u00eauticas eficazes especificamente dirigidas a cada doen\u00e7a. Em 2017, a Organiza\u00e7\u00e3o Mundial de Sa\u00fade (OMS) j\u00e1 declarava a necessidade de melhorar os diagn\u00f3sticos para responder ao aumento dos casos de dem\u00eancia em todo o mundo. No entanto, os diferentes tipos de dem\u00eancia s\u00e3o por vezes dif\u00edceis de diferenciar nas fases iniciais<\/strong>, uma vez que os sintomas associados a cada dem\u00eancia s\u00e3o complexos. Por isso, \u00e0s vezes, podem coexistir diferentes dem\u00eancias, o que leva a um grande n\u00famero de erros de diagn\u00f3stico.<\/p>\n\n\n\n

Gold Standard <\/h3>\n\n\n\n

Esses diagn\u00f3sticos foram baseados principalmente em avalia\u00e7\u00f5es neuropsicol\u00f3gicas. No entanto, estes diagn\u00f3sticos baseados em testes cognitivos e comportamentais t\u00eam tentado ser associados a testes que avaliam amostras biol\u00f3gicas, como resson\u00e2ncias magn\u00e9ticas, amostras de sangue ou l\u00edquido cefalorraquidiano, entre outros. Apesar dos grandes esfor\u00e7os, ainda falta um teste diagn\u00f3stico do tipo \u201cGold Standard\u201d<\/strong>. \u00c9 o nome dado a um exame diagn\u00f3stico que apresenta alta confiabilidade no diagn\u00f3stico de uma doen\u00e7a espec\u00edfica. Este Padr\u00e3o Ouro<\/em> tem sido perseguido principalmente atrav\u00e9s de dados biol\u00f3gicos, sem sucesso at\u00e9 agora.<\/p>\n\n\n\n

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

Para resolver esta situa\u00e7\u00e3o, um grupo de investigadores da Universidade de Boston em conjunto com investigadores de todos os Estados Unidos propuseram uma solu\u00e7\u00e3o baseada em intelig\u00eancia artificial que permitiria trabalhar com um grande conjunto de dados heterog\u00e9neos<\/strong>. Esses dados s\u00e3o heterog\u00eaneos porque se baseiam na imita\u00e7\u00e3o do mundo real<\/strong>; Ou seja, utilizam as mesmas ferramentas que um profissional cl\u00ednico utilizaria para solucionar o problema de diagn\u00f3stico e preven\u00e7\u00e3o que existe em rela\u00e7\u00e3o \u00e0 dem\u00eancia. Os m\u00faltiplos tipos de dados abordados s\u00e3o: sociodemogr\u00e1ficos, neurol\u00f3gicos, f\u00edsicos, hist\u00f3rico m\u00e9dico e exames de resson\u00e2ncia magn\u00e9tica.<\/p>\n\n\n\n

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

Descubra outros milhares de exerc\u00edcios<\/strong> em nossa plataforma<\/h2>\n<\/div>\n\n\n\n
\n
\n
Experimente gr\u00e1tis <\/a><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n
<\/div>\n\n\n\n

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

Para aplicar um modelo baseado em intelig\u00eancia artificial, foi necess\u00e1ria uma enorme quantidade de dados, por isso os investigadores recorreram a nove conjuntos de dados independentes, reunindo mais de 51 mil 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 uma ampla gama de dem\u00eancias com m\u00faltiplas causas foi um passo fundamental para obter uma caracteriza\u00e7\u00e3o rica e variada que possa ser representativa da realidade. Portanto, foram inclu\u00eddos pacientes que apresentavam dem\u00eancia por diversas causas, como Alzheimer<\/a>, acidente vascular cerebral, com degenera\u00e7\u00e3o frontotemporal, degenera\u00e7\u00e3o corticobasal, por infec\u00e7\u00f5es, abuso de drogas, etc.<\/p>\n\n\n\n

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

No entanto, esta abordagem baseada numa enorme quantidade de dados tamb\u00e9m torna prov\u00e1vel que haja dados em falta. Isto \u00e9 o oposto de ambientes altamente controlados e com menor n\u00famero de pacientes, nos quais a perda de dados \u00e9 minimizada. Neste caso, a abordagem requer conjuntos de dados grandes e muito heterog\u00eaneos que permitam que o modelo aprenda e seja o mais realista poss\u00edvel. Para resolver o problema relacionado \u00e0 perda de dados, os pesquisadores aplicaram t\u00e9cnicas que proporcionar\u00e3o o m\u00e1ximo de robustez nas fases iniciais.<\/strong> A implementa\u00e7\u00e3o destes m\u00e9todos e estrat\u00e9gias robustos evita que o treino da intelig\u00eancia artificial seja tendencioso<\/strong> e, portanto, tamb\u00e9m as previs\u00f5es futuras. Al\u00e9m disso, foram seguidos procedimentos padronizados de inclus\u00e3o e exclus\u00e3o que garantiram a consist\u00eancia e credibilidade dos resultados.<\/p>\n\n\n\n

Modelo tipo transformador<\/h4>\n\n\n\n

Neste ponto surge tamb\u00e9m um importante desafio que \u00e9 a cria\u00e7\u00e3o de um modelo que permita aglomerar m\u00faltiplos tipos de dados e par\u00e2metros de diferentes naturezas, o que se denomina arquitetura do tipo \u201ctransformador\u201d. Neste tipo de modelo, todas as diferentes caracter\u00edsticas inclu\u00eddas s\u00e3o tomadas e transformadas no que se denomina \u201cvetor de comprimento fixo\u201d seguindo uma estrat\u00e9gia espec\u00edfica que permite criar uma primeira camada do modelo sobre a qual o resto ser\u00e1 constru\u00eddo, decodificando-o em um s\u00e9rie de previs\u00f5es.<\/p>\n\n\n\n

Para entender melhor, podemos pensar neste modelo como uma receita culin\u00e1ria, s\u00f3 que em vez de etapas diferentes como temos na receita, o modelo ter\u00e1 camadas diferentes. Assim como para preparar um bom prato \u00e9 necess\u00e1rio usar bons ingredientes que se combinem bem, precisamos garantir que tudo esteja em harmonia. Os pesquisadores queriam um bom sistema de classifica\u00e7\u00e3o de pacientes e precisavam de seus ingredientes; Ou seja, os dados a partir dos quais partiram eram bons e podiam ser combinados de forma adequada. Na nossa compara\u00e7\u00e3o com este modelo de intelig\u00eancia artificial seria transformar os diferentes dados que temos num formato comum<\/strong> (vetor de comprimento fixo). Devido a isso, o modelo criado ser\u00e1 muito robusto \u00e0 perda ou incompletude de dados e ser\u00e1 capaz de fazer previs\u00f5es confi\u00e1veis<\/strong>.<\/p>\n\n\n\n

Aprendizagem auto-supervisionada<\/h4>\n\n\n\n

Especificamente, eles usam um tipo de modelo denominado aprendizagem auto-supervisionada. Nesta abordagem de aprendizado de m\u00e1quina, o modelo aprende com os dados sem a necessidade de r\u00f3tulos expl\u00edcitos. Ao contr\u00e1rio da aprendizagem supervisionada, que requer um conjunto de dados rotulados, a aprendizagem auto-supervisionada depende da descoberta de estruturas e padr\u00f5es nos dados sem interven\u00e7\u00e3o humana directa para os rotular.<\/p>\n\n\n\n

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

O que se seguiu no desenvolvimento do modelo foi a fase de treinamento, valida\u00e7\u00e3o e compara\u00e7\u00e3o com especialistas. Processos de treinamento e valida\u00e7\u00e3o s\u00e3o comuns nesse tipo de estudo.<\/p>\n\n\n\n

A forma\u00e7\u00e3o consistiu em alimentar o modelo com dados das diferentes coortes, integrando todas as modalidades para aprender padr\u00f5es associados aos diferentes tipos de dem\u00eancia. Ap\u00f3s o treinamento do modelo, foi realizada a valida\u00e7\u00e3o, que \u00e9 a utiliza\u00e7\u00e3o de dados in\u00e9ditos, para garantir que o modelo possa generalizar suas previs\u00f5es para dados desconhecidos.<\/p>\n\n\n\n

Por fim, e de forma in\u00e9dita, os pesquisadores testaram os diagn\u00f3sticos feitos pelo modelo com m\u00e9dicos especializados no diagn\u00f3stico de dem\u00eancia. Para isso, convidaram um grupo de 12 neurologistas e 7 neurorradiologistas para participarem em tarefas de diagn\u00f3stico de um subconjunto de 100 casos com diferentes tipos de dem\u00eancia<\/strong>. Eles receberam os dados dispon\u00edveis para cada um desses 100 casos e foram solicitados a fornecer suas impress\u00f5es diagn\u00f3sticas, bem como uma pontua\u00e7\u00e3o de confian\u00e7a que variava de 0 a 100 para o diagn\u00f3stico de cada um dos 13 r\u00f3tulos poss\u00edveis. Neste ponto quer\u00edamos saber se os julgamentos cl\u00ednicos poderiam ser melhorados usando o modelo criado.<\/p>\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 principais resultados podem ser divididos em tr\u00eas partes: classifica\u00e7\u00e3o saud\u00e1vel vs deteriora\u00e7\u00e3o, classifica\u00e7\u00e3o de patologias e melhoria do julgamento cl\u00ednico utilizando 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