IT Forum 365
parkinson sas analytics

O aprendizado de máquina na busca da cura para o Mal de Parkinson

Como o ator Michael J. Fox, portador da doença de Parkinson há 19 anos, aposta em machine learning para ajudar na detecção precoce do mal que afeta mais de 10 milhões de pessoas no mundo todo

Michael J. Fox, famoso mundialmente por seus filmes memoráveis e papéis e séries para TV, especialmente pelo personagem Marty McFly da trilogia “De Volta para o Futuro” (ou Back to the Future, do original em inglês), acabou ficando conhecido também por ser portador da doença conhecida como Mal de Parkinson há 19 anos. O diagnóstico, em 1998, ocorreu após uma contração em um dedo da mão.

Hoje com 57 anos, Fox viu sua doença progredir ano a ano, ao ponto de todo o lado esquerdo de seu corpo apresentar tremores e rigidez, além de geralmente acordar tremendo todo incontrolavelmente. Mas ele está longe de estar sozinho. O Mal de Parkinson é um dos distúrbios neurodegenerativos mais comuns, que afeta cerca de 1 milhão de norte-americanos e mais de 10 milhões de pessoas em todo o mundo.

Em vez de se retrair, Fox decidiu usar sua condição de celebridade para lutar pela cura da doença. Assim, desde 2000, a Michael J. Fox Foundation para investigação da doença de Parkinson financiou mais de US$ 750 milhões em pesquisas para desenvolver novos tratamentos.

Um dos projetos mais significativos, patrocinados pela fundação, foi o Parkinson’s Progression Markers Initiative (PPMI) — ou Iniciativa de Marcadores de Progressão de Parkinson, em tradução livre. Iniciado em 2011, projeto coletou um amplo conjunto de dados de pacientes e aplicou aprendizado de máquina e análise avançada para acelerar o diagnóstico da doença, e os resultados acabarão por levar ao desenvolvimento de melhores tratamentos.

Diagnóstico difícil

A doença de Parkinson destrói progressivamente a capacidade da pessoa controlar os movimentos e causa problemas como depressão e ansiedade. O diagnóstico precoce é fundamental para fornecer aos pacientes tratamentos que possam gerenciar e retardar a progressão da doença.

Infelizmente não há um teste definitivo que possa diagnosticar o Parkinson em seus estágios iniciais. Embora os médicos consigam diagnosticar a doença com base em sintomas motores — como tremores, rigidez, lentidão de movimentos e instabilidade postural —, esses sintomas já sinalizam um estágio avançado da doença. O portador de Parkinson pode levar de cinco a 20 anos até que os sintomas motores apareçam.

E iniciar o tratamento no estágio avançado é de pouco benefício para os pacientes com Parkinson. O que os cientistas precisam para o diagnóstico precoce são biomarcadores validados — substâncias mensuráveis no sangue, urina, células, DNA ou outras partes do corpo do paciente — que podem ser usados para diagnosticar definitivamente a doença quando ela aparecer pela primeira vez e acompanhar sua progressão ao longo do tempo.

Estudando biomarcadores e progressão

O projeto PPMI foi criado para ajudar os cientistas a estabelecerem biomarcadores com maior probabilidade de prever a progressão da doença de Parkinson em vários pontos no tempo.

“Mais de mil pacientes com doença de Parkinson participaram do estudo”, diz Anya McGuirk, renomada desenvolvedora de estatística de pesquisa do SAS. “Ele foi realizado em 33 locais nos EUA, Europa, Israel e Austrália durante um período de quatro anos e meio, e os pesquisadores coletaram um amplo conjunto de dados clínicos e de imagem de pacientes ao longo de 11 visitas.”

Em cada visita, os médicos analisaram todos os sintomas conhecidos, realizando um conjunto abrangente de avaliações clínicas e comportamentais. Os testes incluíram a realização de exames de neuroimagem cerebral e a coleta de amostras, como líquido cefalorraquidiano (LCR), DNA, RNA, plasma, soro, urina e linhagens celulares. Os resultados de todos esses testes foram combinados em um escore que indicava a gravidade da doença no paciente.

Analisando dados de Parkinson com aprendizado de máquina

McGuirk e dois outros cientistas de dados — Wei Xiao e Saba Emrani, ambos ex-funcionários do SAS — usaram os dados do projeto PPMI e aplicaram o aprendizado de máquina multitarefa para desenvolver um modelo que pudesse prever a progressão da doença para novos pacientes com Parkinson.

O modelo SAS previu a progressão da doença, prevendo as pontuações dos testes usando as medidas da avaliação inicial, da linha de base e das visitas subsequentes, tudo em um único modelo. O modelo também ajudou a determinar quais biomarcadores conhecidos eram mais importantes — e descobriu novos.

McGuirk, Xiao e Emrani decidiram contar com uma estrutura de regressão de aprendizagem multitarefa. “No passado, os pesquisadores usaram modelos convencionais de aprendizado de máquina que exigem a criação de um modelo separado para cada uma das 11 visitas do paciente. Mas a doença de Parkinson é progressiva”, diz McGuirk. “Os resultados vistos na primeira visita estão relacionados à segunda, terceira e todas as visitas subsequentes. O projeto PPMI foi único ao usar um modelo de regressão de aprendizado multitarefa que examina todos os dados de todas as visitas simultaneamente.”

Ao levar em conta os relacionamentos entre várias tarefas, o aprendizado multitarefa melhora o desempenho geral do modelo. “Digamos que os dados de uma visita foram confusos — o clínico foi desleixado ao coletar as amostras”, diz McGuirk. “Se você tentar prever a doença de Parkinson com base nessa única visita, receberá uma leitura imprecisa. Quando puder vincular a previsão a modelos para várias visitas, os resultados serão muito mais precisos.”

Resultados inovadores podem levar a cura

O modelo desenvolvido pela equipe de McGuirk mostrou-se mais capaz de prever a progressão da doença em cada uma das 11 visitas ao paciente durante o período de estudo de quatro anos e meio do que as abordagens convencionais. “Com previsões precisas, os médicos serão capazes de iniciar o tratamento mais cedo, quando ele pode ter um impacto maior”, diz McGuirk.

Além disso, a equipe conseguiu validar alguns biomarcadores já estabelecidos e descobrir novos que são capazes de diferenciar entre indivíduos saudáveis e aqueles com a doença.

Por exemplo, a equipe de McGuirk descobriu que um colesterol total mais elevado indicava um risco menor de doença de Parkinson, enquanto uma combinação de marcadores de RNA, plasma, imagens cerebrais, medições de LCR (líquido cefalorraquidiano) e várias avaliações não motoras eram importantes para prever a progressão da doença de Parkinson.

Com esses biomarcadores recém-descobertos, é possível que os pesquisadores da doença de Parkinson possam agilizar o desenvolvimento de tratamentos eficazes — e possivelmente até mesmo a cura para pacientes de longa data como Michael J. Fox. “Esse é o objetivo”, diz McGuirk.

Comentários

Notícias Relacionadas

IT Mídia S.A.

Copyright 2018 IT Mídia S.A. Todos os direitos reservados.