Algoritmo de reconhecimento de marcha pode ajudar a diagnosticar a doença de Parkinson

Cientistas do Laboratório de Movimento Humano do Departamento de Educação Física (Movi-Lab) da Universidade Estadual Paulista (Unesp) em Bauru, Brasil, estão usando inteligência artificial para ajudar a diagnosticar a doença de Parkinson e avaliar sua progressão.

Um artigo lançado no diário Marcha e Postura relata os resultados de um estudo no qual algoritmos de aprendizado de máquina identificaram casos da doença por meio da análise de parâmetros espaciais e temporais da marcha.

Os pesquisadores descobriram que quatro características da marcha são mais importantes para o diagnóstico de Parkinson: comprimento da passada, velocidade, largura e consistência (ou variabilidade da largura). Para avaliar a gravidade da doença, os fatores mais importantes foram a variabilidade da passada e o tempo de apoio duplo (onde ambos os pés estão em contato com o solo).

“Nosso estudo foi inovador em comparação com a literatura científica ao usar um banco de dados maior do que o usual para fins de diagnóstico. Escolhemos os parâmetros da marcha como um critério-chave porque os distúrbios da marcha ocorrem no início da doença de Parkinson e pioram com o tempo, e também porque não se correlacionam com parâmetros fisiológicos como idade, altura e peso”. Fábio Augusto Barbieri, coautor do artigo, disse a Agência FAPESP. Barbieri é professor do Departamento de Educação Física da Faculdade de Ciências (FC) da UNESP.

O estudo foi apoiado pela FAPESP por meio de três projetos (14/20549-0, 17/19516-8 e 20/01250-4).

A amostra do estudo foi composta por 63 participantes Parkinson ativo, um programa multidisciplinar de atividade física sistematizada para pacientes com DP realizado na FC-UNESP e 63 controles saudáveis. Todos os voluntários tinham mais de 50 anos. Os dados foram coletados por sete anos e alimentados no repositório usado nos processos de aprendizado de máquina.

Uma avaliação inicial foi feita analisando os parâmetros da marcha para os controles saudáveis ​​e comparando-os com os valores esperados para essa faixa etária. Para isso, os passos de cada pessoa foram medidos com uma câmera especial de captura de movimento em termos de comprimento, largura, duração, velocidade, cadência e tempo de apoio simples e duplo, bem como variabilidade e assimetria do passo.

Os pesquisadores usaram os dados para criar dois modelos diferentes de aprendizado de máquina – um para diagnosticar a doença e outro para estimar sua gravidade no paciente em estudo. Cientistas da Escola de Engenharia da Universidade do Porto, em Portugal, colaboraram nesta parte do estudo.

Eles executaram os dados por meio de seis algoritmos: Naive Bayes (NB), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), Logistic Regression (LR) e Multilayer Perceptron (MLP). NB obteve acurácia diagnóstica de 84,6%, enquanto NB e RF tiveram melhor desempenho na avaliação da gravidade.

“A precisão típica para avaliações clínicas é de cerca de 80%. Poderíamos reduzir significativamente a probabilidade de erros de diagnóstico combinando avaliação clínica com inteligência artificial”, disse Barbieri.

Próximos desafios

A doença de Parkinson é causada, pelo menos em parte, pela degeneração das células nervosas nas áreas cerebrais que controlam o movimento, como resultado da produção deficiente de dopamina. A dopamina é o neurotransmissor que transmite sinais para os membros. Baixos níveis de dopamina prejudicam o movimento, levando a sintomas como tremores, marcha lenta, rigidez e falta de equilíbrio, bem como alterações na fala e na escrita.

Atualmente, o diagnóstico é baseado na história clínica do paciente e no exame neurológico, sem exames específicos. Informações precisas não estão disponíveis, mas estima-se que 3% a 4% da população com mais de 65 anos tenha Parkinson.

Segundo outro coautor, o doutorando Tiago Penedo, cuja pesquisa está sendo orientada por Barbieri, os resultados do estudo serão úteis para melhorar a avaliação diagnóstica no futuro, mas o custo pode ser um fator limitante. “Avançamos com a ferramenta e ajudamos a ampliar o banco de dados, mas usamos equipamentos caros e difíceis de encontrar em clínicas e consultórios médicos”, disse.

O equipamento usado no estudo custa cerca de US$ 100.000. “É possível analisar a marcha com técnicas mais baratas, usando cronômetro, plataforma de força e assim por diante, mas os resultados não são precisos”, disse Penedo.

As técnicas utilizadas no estudo podem contribuir para uma melhor compreensão dos mecanismos subjacentes à doença, particularmente os padrões de marcha, acreditam os pesquisadores.

Um estudo anterior, relatado em um artigo publicado em 2021 com Barbieri como coautor, mostrou 53% menos sinergia no comprimento da passada ao superar obstáculos em pacientes com Parkinson do que em indivíduos saudáveis ​​da mesma idade e peso. A sinergia, neste caso, refere-se à capacidade do sistema musculoesquelético (ou sistema musculoesquelético) de ajustar o movimento combinando fatores como velocidade e posição do pé, por exemplo. B. ao sair de um meio-fio (Leia mais em: agencia.fapesp.br/35563).

outro estudotambém publicado em Marcha e Postura, mostraram que os pacientes com Parkinson eram menos capazes de manter o controle postural e a estabilidade ao caminhar e tremer do que seus pares neurologicamente saudáveis. Os autores disseram que os resultados fornecem novos insights para explicar as flutuações maiores, mais rápidas e mais variáveis ​​observadas em pacientes com Parkinson.

Relação: Ferreira MIASN, Barbieri FA, Moreno VC, Penedo T, Tavares JMRS. Modelos de aprendizado de máquina para detecção e estadiamento da doença de Parkinson com base em parâmetros espaço-temporais da marcha. postura de marcha. 2022;98:49-55. doi: 10.1016/j.gaitpost.2022.08.014

Este artigo foi republicado a partir do seguinte materiais. Nota: O material pode ter sido editado em tamanho e conteúdo. Para mais informações, consulte a fonte indicada.

By Carlos Jorge

"Proud coffee expert. Webaholic. Zombie guru. Introvert. Avid beer aficionado. Analyst. Total TV practitioner. Award-winning foodie. Student."

Deixe uma resposta

O seu endereço de email não será publicado. Campos obrigatórios marcados com *