IBM e a Fundação Michael J. Fox desenvolvem pesquisa sobre Parkinson usando machine learning

A IBM e a Fundação Michael J. Fox divulgaram novos avanços relacionados à colaboração para descobrir os mistérios da doença de Parkinson a partir da tecnologia de machine learning. Apesar do progresso em muitas frentes no controle de doenças crônicas, ainda há muitas questões em aberto no campo. Uma melhor compreensão das doenças crônicas poderia permitir um melhor gerenciamento do atendimento ao paciente e um desenvolvimento de medicamentos mais rápido e eficiente como resultado de ensaios clínicos mais bem elaborados. A IBM Research está usando o aprendizado de máquina (machine learning, em inglês) como uma ferramenta na busca para revelar as complexidades dessas doenças. Na Machine Learning for Healthcare Conference da última semana, foi apresentado o progresso nesta área motivados pela doença de Parkinson.


Leia também: Como a realidade aumentada pode melhorar a rotina de pacientes com Doença de Parkinson


A doença de Parkinson é uma doença neurodegenerativa crônica e progressiva com sintomas heterogêneos que podem afetar a função motora e não motora. Ela também é uma das dez principais causas de morte em pessoas com mais de 65 anos de idade nos EUA. Estima-se que 6 milhões de pessoas em todo o mundo e 1 milhão de pessoas nos EUA tenham a doença, e esse número deve dobrar até 2040 — tornando a necessidade de pesquisas e um melhor entendimento da doença ainda mais urgente. Em colaboração com a Michael J. Fox Foundation (MJFF) for Parkinson’s Research, os pesquisadores da IBM têm como objetivo desenvolver modelos aprimorados de progressão da doença que possam ajudar os médicos a entender como ela progride em relação ao surgimento dos sintomas, mesmo quando os pacientes estão tomando medicamentos modificadores de sintomas.

Machine learning para prever cenários do Parkinson

Modelos de séries temporais e de previsão (técnicas usadas para prever resultados futuros com base em dados observados anteriormente) não são exclusivos para aplicativos de saúde, mas seu uso em aplicativos de saúde pode ter desafios específicos. Neste projeto, o objetivo específico era aprender os estados clínicos da doença de Parkinson e sua progressão correspondente; de modo que os médicos e pacientes pudessem ter uma medida quantitativa da doença de um indivíduo.

Os estados da doença para condições crônicas podem ser considerados de maneira semelhante aos estágios do câncer; com uma importante observação que, no caso de condições crônicas, a conexão dos estados da doença com os mecanismos biológicos muitas vezes não é compreendida. A biologia da doença de Parkinson ainda não está totalmente caracterizada, o que torna o aprendizado e a classificação dos estágios muito difíceis.


Leia também: Pequeno implante neural controlado por smartphone pode trazer avanços nas pesquisas sobre doenças cerebrais


No entanto, os estados da doença ainda são úteis, pois fornecem um resumo conciso dos sintomas motores e não motores potenciais e permitem que os médicos desenvolvam uma terapia e planos de tratamento direcionados. No futuro, modelos de progressão como o desenvolvido pelos pesquisadores da IBM podem ajudar a suportar várias aplicações clínicas. Por exemplo, uma vez que os estados da doença são aprendidos, os médicos podem agrupar os pacientes quantitativamente, bem como prever melhor a progressão — o que pode ajudar a informar um tratamento e gerenciamento mais personalizados do paciente, bem como ensaios de medicamentos mais eficazes.

No Parkinson, em geral, a progressão não é direta e nem fácil de definir. Os sintomas e as trajetórias dos sintomas se manifestam em uma ampla variedade de pacientes. Isso torna difícil para os médicos avaliarem de forma definitiva e quantitativa onde um indivíduo pode estar em um determinado momento e quão avançado está a sua doença.

Este problema se torna ainda mais desafiador devido a conjuntos de dados comparativamente pequenos e a confusão dos dados devido aos efeitos dos medicamentos. No caso de doenças crônicas, o uso de medicamentos apresenta um desafio interessante, pois são usados para aliviar os sintomas, mas não se acredita que alterem o curso da doença. Por exemplo, considere o caso de um indivíduo com Parkinson experimentando melhor controle motor devido à medicação, o que poderia levar ao mascaramento de um estado mais avançado da doença.

Além disso, as respostas dos pacientes à medicação podem não ser consistentes em toda a população, motivando a necessidade de personalizar as previsões. Por exemplo, os sintomas de tremor de um paciente podem ser muito responsivos à medicação, enquanto outro pode estar experimentando menos alívio com a medicação, embora suas doenças estejam igualmente progredidas. Muitos modelos de progressão para doença de Parkinson não levam em consideração os efeitos da medicação.

Identificar esses desafios é a chave para o sucesso do aprendizado de máquina na área de saúde e é um aspecto importante dessa colaboração com a MJFF. Além de fornecer conhecimentos de domínio importantes para informar os requisitos do modelo, a MJFF financiou a coleta de um dos volumes mais abrangentes e robustos de dados de indivíduos com Parkinson, tornando possível tentar elucidar essas complexidades com a ajuda do aprendizado de máquina.

Abordagem e resultados: Uma perspectiva para o futuro

“Nossa abordagem proposta trata das necessidades de aprendizagem dos estados da doença enquanto modelam os efeitos da medicação, que podem ser uma função do estado da doença e/ou resposta personalizada. É único em seu foco na modelagem de dados de pacientes que estão tomando medicamentos. A abordagem se baseia na estrutura de um modelo de Markov oculto e usa inferência variacional para aprender efeitos personalizados. Depois de aprender o modelo, os insights podem ser derivados tanto da interpretação dos parâmetros do modelo para aprender mais sobre a doença, quanto da análise das previsões para uma determinada coorte de pacientes”, afirma a IBM.

Ainda segundo a empresa, “o modelo proposto e o algoritmo de aprendizagem serão apresentados na Conferência para Aprendizado de Máquina para Saúde 2020. Embora o trabalho tenha sido motivado pela doença de Parkinson, esperamos que possa ser útil ou inspirar trabalhos e exploração semelhantes em outras condições crônicas, como diabetes, doença de Alzheimer e ALS.” O desenvolvimento de ferramentas de análise é apenas o primeiro passo na colaboração com a Michael J. Fox Foundation. A IBM afirma que “os próximos resultados se concentrarão nos insights clínicos que derivamos ao aplicar esses modelos às extensas quantidades de dados coletados pelo estudo clínico de referência da Michael J. Fox Foundation, a Parkinson’s Progression Markers Initiative.”

Imagem Destaque: sfam_photo/Shutterstock

Assine nossa newsletter!

Para conferir em primeira mão os conteúdos do InovaSocial em seu e-mail, assine agora nossa newsletter.
Insira o seu e-mail