O modelo também prevê a progressão desses sintomas em termos de tempo e gravidade. Para fazer isso, o modelo aprende com os dados longitudinais do paciente.

Você provavelmente sabe que Michael J. Fox, o ator que interpretou Marty McFly nos icônicos filmes De Volta para o Futuro, sofre de mal de Parkinson. Quando ele anunciou sua doença em 1998, o mundo ficou alarmado: o ator revelou que havia sido diagnosticado com Parkinson sete anos antes, aos 29 anos. Alguns anos depois, em 2000, Fox lançou a Michael J. Fox Foundation (MJFF) para Pesquisa de Parkinson, que procura descobrir tratamentos e uma cura para esta condição que, de acordo com estimativas, afeta mais de seis milhões de indivíduos no mundo.

Desde então, a equipe de neurocientistas e estrategistas da MJFF tem trabalhado em estreita colaboração com pesquisadores de ciência e tecnologia, médicos, parceiros do setor e pacientes em todo o mundo para financiar as pesquisas mais promissoras para entender e encontrar melhores tratamentos para a doença. Em julho de 2018, a MJFF e a IBM Research lançaram uma parceria exclusiva, com o objetivo de aplicar machine learning (aprendizado de máquina) para promover avanços científicos.

Esta colaboração alcançou recentemente um marco importante. No trabalho mais recente, "Descoberta dos estados da doença de Parkinson usando aprendizado de máquina e dados longitudinais", publicado pela equipe da IBM com cientistas do MJFF na Lancet Digital Health, foi detalhado um novo modelo de inteligência artificial que agrupa padrões de sintomas típicos da doença de Parkinson. O modelo também prevê a progressão desses sintomas em termos de tempo e gravidade, aprendendo com o que é conhecido como dados longitudinais do paciente, ou seja, descrições do estado clínico de um paciente coletadas ao longo do tempo.

O objetivo é usar IA para apoiar o gerenciamento de pacientes e o design de estudos clínicos. A importância desse objetivo é atribuída ao fato de que, apesar da prevalência de Parkinson, os pacientes apresentam uma variedade única de sintomas, tanto motores quanto não motores.

Espera-se que o uso de aprendizado de máquina para aprender com grandes quantidades de dados de pacientes forneça aos médicos e pesquisadores uma nova ferramenta para prever melhor a progressão notoriamente variável dos sintomas em pacientes individuais com Parkinson. Espera-se também que isso permita um melhor manejo e tratamento da doença, e que leve à possibilidade de identificar os melhores candidatos a ensaios clínicos mais específicos e eficazes.

Colocando a inteligência artificial para trabalhar

Os resultados têm como precedente uma investigação publicada anteriormente. Esse trabalho se concentrou no desenvolvimento de um método para alguns dos desafios exclusivos das aplicações de saúde, incluindo a ativação de previsões personalizadas e a contabilização dos efeitos dos medicamentos nas medições dos sintomas. Desta vez, foram testados os métodos de IA com dados da Iniciativa de Marcadores de Progressão de Parkinson (PPMI). A Michael J. Fox Foundation patrocina este estudo internacional e disponibiliza seu conjunto de dados - um dos maiores do mundo sobre a doença de Parkinson - para pesquisadores em uma modalidade não identificável pessoalmente.

Ter acesso a um grande conjunto de dados é a chave para o sucesso em modelos de aprendizado de máquina, portanto, os valiosos dados coletados pela iniciativa PPMI se tornaram vitais para a viabilidade de nosso modelo. O conjunto de dados serviu de entrada para a abordagem do aprendizado de máquina, fato que permitiu a descoberta de padrões complexos de sintomas e progressão.

Embora há vários estudos anteriores dedicados a caracterizar a doença de Parkinson usando apenas informações de base, esse método usa até sete anos de dados de pacientes. Além disso, o modelo faz suposições a priori limitadas sobre as vias de progressão, em comparação com estudos anteriores.

Novos insights sobre a progressão da doença

Essas decisões de modelagem permitiram obter mais informações sobre os estados da doença e as vias de progressão. Os resultados sugerem que a condição de um paciente pode variar em diversos aspectos, como a capacidade de realizar as atividades diárias; problemas relacionados à lentidão motora, tremor e instabilidade postural, bem como sintomas não motores, incluindo depressão, ansiedade, deficiência cognitiva e distúrbios do sono.

Foi determinado que os resultados apoiam a hipótese de que existem várias vias de progressão, conforme indicado pelas muitas trajetórias de doença estudadas. No entanto, o modelo de IA contém a capacidade de fazer previsões precisas. Como o modelo se baseia em um conjunto de dados, ele foi capaz de prever com sucesso um estágio avançado da doença de Parkinson associado a consequências como demência e incapacidade de andar sem assistência.

É importante ressaltar que o modelo foi capaz de estimar com 80% de precisão se um paciente atingiria um determinado estado em dois anos. Além disso, ele foi capaz de fazer previsões sobre os padrões de sintomas típicos e sua progressão.

Devido à diversidade de experiências na doença de Parkinson, é esperado que, ao permitir tais previsões, o modelo possa ajudar no tratamento do paciente e fornecer critérios de inclusão e definições de resultados mais específicos durante o desenho do ensaio clínico.

No entanto, ainda há muito trabalho a ser feito. Por exemplo, espera-se refinar o modelo para fornecer uma caracterização ainda mais granular dos estados de doença, incorporando avaliações de biomarcadores emergentes, incluindo medições genômicas e de neuroimagem.