IA prevê Alzheimer 7 anos antes

Prévia do material em texto

1/3
AI pode prever a doença de Alzheimer até sete anos antes
dos sintomas aparecerem, diz estudo
Cientistas da UC San Francisco desenvolveram um modelo de aprendizado de máquina capaz de prever
o início da doença de Alzheimer até sete anos antes dos sintomas clínicos se manifestarem. Ao analisar
os registros eletrônicos de saúde, a equipe identificou colesterol alto e osteoporose, particularmente em
mulheres, como preditores significativos da doença de Alzheimer.
Esta pesquisa, publicada em 21 de fevereiro de 2024, no Nature Aging, ressalta o potencial da
inteligência artificial (IA) para revolucionar o diagnóstico precoce e a compreensão de doenças
complexas como a doença de Alzheimer.
“Este é um primeiro passo para usar a IA em dados clínicos de rotina, não apenas para identificar o risco
o mais cedo possível, mas também para entender a biologia por trás disso”, disse a principal autora do
estudo, Alice Tang, uma estudante de MD / PhD no Sirota Lab da UCSF. “O poder dessa abordagem de
IA vem da identificação de riscos com base em combinações de doenças.”
A doença de Alzheimer é a forma mais prevalente de demência, afetando particularmente as pessoas
com mais de 65 anos. É caracterizada por perda progressiva de memória, declínio cognitivo e uma
variedade de alterações neurológicas, incluindo o acúmulo de placas beta-amilóide e emaranhados de
tau no cérebro. Essas mudanças patológicas interrompem o funcionamento normal das células neurais,
levando aos sintomas e eventual incapacidade grave associada à doença.
Apesar da pesquisa em andamento, não há cura para a doença de Alzheimer, com os tratamentos atuais
em grande parte focados em gerenciar os sintomas, em vez de interromper ou reverter a progressão da
doença.
https://www.nature.com/articles/s43587-024-00573-8
https://sirotalab.ucsf.edu/
2/3
A detecção precoce da doença de Alzheimer oferece uma vantagem fundamental: o potencial de
intervenção precoce, que poderia alterar significativamente a trajetória da doença ou mitigar seus
impactos. Os métodos tradicionais para o diagnóstico da doença de Alzheimer – que vão desde
avaliações cognitivas até análise de biomarcadores – são frequentemente aplicados apenas após a
manifestação dos sintomas, o que pode ser tarde demais para intervenções terapêuticas ótimas.
Para desenvolver seus modelos preditivos, a equipe de pesquisa alavancou os extensos bancos de
dados de saúde eletrônica do UCSF Medical Center. A partir deste pool, os pesquisadores identificaram
749 indivíduos com doença de Alzheimer, com base em diagnósticos clínicos de nível de especialista, e
250,545 controles sem um diagnóstico de demência.
A metodologia articulada sobre o uso de modelos Random Forest (RF), um tipo de algoritmo de
aprendizado de máquina adequado para o manuseio das complexas relações não lineares, muitas vezes
presentes em dados médicos. Os modelos foram treinados usando uma gama abrangente de dados
clínicos extraídos dos registros eletrônicos de saúde, incluindo dados demográficos, condições da
doença, exposições a medicamentos e medidas laboratoriais anormais.
Os resultados revelaram que os modelos de aprendizado de máquina poderiam prever com precisão o
início da doença de Alzheimer com confiabilidade significativa (72%), com até sete anos de
antecedência. A inclusão de recursos demográficos e relacionados a visitas, juntamente com dados
clínicos, melhorou ainda mais a precisão preditiva dos modelos.
Vários fatores, incluindo hipertensão, colesterol alto e deficiência de vitamina D, surgiram como os
principais preditores da doença de Alzheimer em homens e mulheres. A disfunção erétil e um aumento
da próstata também foram preditivos para os homens. Para as mulheres, o estudo destacou a
osteoporose como um preditor adicional significativo, sugerindo uma via específica de gênero ou
vulnerabilidade à doença.
Mas nem todas as mulheres que sofrem de osteoporose estão destinadas a desenvolver a doença de
Alzheimer. “É a combinação de doenças que permite que nosso modelo preveja o início do Alzheimer”,
disse Tang, “nossadia de que a osteoporose é um fator preditivo para as mulheres destaca a interação
biológica entre a saúde óssea e o risco de demência”.
Para aprofundar os mecanismos biológicos que sustentam as capacidades preditivas de seu modelo, os
pesquisadores utilizaram bancos de dados moleculares públicos juntamente com uma poderosa
ferramenta desenvolvida na UCSF conhecida como SPOKE (Scalable Precision Medicine Oriented
Knowledge Engine).
Desenvolvido no laboratório de Sergio Baranzini, professor de neurologia e membro do Instituto Weill de
Neurociências da UCSF, o SPOKE é projetado como uma “base de dados de bancos de dados”. Esta
ferramenta inovadora permite aos pesquisadores peneirar grandes quantidades de dados para descobrir
padrões e identificar potenciais alvos moleculares para intervenção terapêutica.
O SPOKE confirmou a ligação entre a doença de Alzheimer e o colesterol elevado através da variante
APOE4 do gene da apoliproteína E. Esta associação é amplamente reconhecida na comunidade
científica. No entanto, a integração do SPOKE com bancos de dados genéticos produziu uma nova
visão, descobrindo uma conexão entre osteoporose e Alzheimer especificamente em mulheres.
3/3
Esta ligação foi identificada através de uma variante no gene MS4AA, que é menos conhecida no
contexto da pesquisa de Alzheimer. A descoberta dessa associação exemplifica a força da combinação
de ferramentas computacionais avançadas como SPOKE com dados genéticos extensivos, abrindo
caminho para pesquisas direcionadas sobre as vias moleculares envolvidas na doença de Alzheimer e
potencialmente orientando o desenvolvimento de novas estratégias terapêuticas.
Os resultados representam um avanço significativo na luta contra a doença de Alzheimer. Mas, apesar
dos resultados promissores, o estudo tem algumas limitações, incluindo os desafios de interpretar os
dados do registro eletrônico de saúde, o potencial de vieses de seleção de coorte e a necessidade de
reciclagem contínua de modelos para se adaptar às mudanças nas práticas clínicas. Os modelos
preditivos do estudo precisam ser validados em populações mais amplas e diversificadas para garantir
sua precisão e generalização.
Os pesquisadores estão otimistas de que seus métodos poderiam ser aplicados a outras doenças que
são difíceis de diagnosticar, como lúpus e endometriose.
“Este é um ótimo exemplo de como podemos alavancar dados de pacientes com aprendizado de
máquina para prever quais pacientes são mais propensos a desenvolver Alzheimer, e também a
entender as razões pelas quais isso é assim”, disse a autora sênior do estudo, Marina Sirota, professora
associada do Bakar Computational Health Sciences Institute da UCSF.
O estudo, “Aproveitando registros eletrônicos de saúde e redes de conhecimento para a previsão da
doença de Alzheimer e insights biológicos específicos do sexo”, foi de autoria de Alice S. Tang,
Katherine P. (em inglês) Rankin, Gabriel Cerono, Silvia Miramontes, Hunter Mills, Jacquelyn Roger, Billy
Zeng, Charlotte Nelson, Karthik Soman, Sarah Woldemariam, Yaqiao Li, Albert Lee, Riley Bove, Maria
Glymour, Nima Aghaeepour, Tomiko T. Oskotsky, Zachary Miller, Isabel E. Allen, Stephan J. (em inglês).
Sanders, Sergio Baranzini e Marina Sirota.
https://www.nature.com/articles/s43587-024-00573-8