Agência FAPESP
24/10/2022
Luciana Constantino | Agência FAPESP – Cientistas do Laboratório de Pesquisa do Movimento Humano (Movi-Lab), sediado no campus de Bauru da Universidade Estadual Paulista (Unesp), usaram inteligência artificial para ajudar no diagnóstico e na identificação do estágio da doença de Parkinson.
Pesquisa publicada na revista Gait & Posture mostrou que algoritmos de aprendizado de máquina (machine learning ou ML, na sigla em inglês) podem auxiliar na identificação dos casos da doença por meio da análise de parâmetros espaço-temporais do andar da pessoa.
Quatro características da marcha se mostraram significativas para o diagnóstico – comprimento, velocidade, largura e consistência da largura do passo (chamada de variabilidade). Já na detecção do estágio da doença, a variabilidade da largura do passo e o tempo em que a pessoa ficou com os dois pés no chão (apoio duplo) foram os dois fatores que mais se destacaram.
“Nosso estudo traz uma inovação se comparado à literatura científica: usamos uma base de dados maior para fazer o diagnóstico. Escolhemos a marcha como parâmetro por acreditar que o andar é um dos fatores mais comprometidos em pacientes com a doença de Parkinson e não envolve sintomas fisiológicos”, explica Fabio Augusto Barbieri, coautor do artigo e professor do Departamento de Educação Física da Faculdade de Ciências da Unesp.
A pesquisa recebeu apoio da FAPESP por meio de três projetos (14/20549-0, 17/19516-8 e 20/01250-4). Dela participaram 63 pacientes do Ativa Parkinson, um programa multidisciplinar e sistematizado de atividade física para pessoas com a doença desenvolvido na Unesp de Bauru, além de outros 63 indivíduos saudáveis, todos com mais de 50 anos. Os dados foram coletados ao longo de sete anos e alimentaram o banco usado no processo de aprendizado de máquina.
A partir das informações das pessoas saudáveis, os cientistas montaram a chamada linha de base, assinalando os parâmetros esperados do desempenho do andar para a faixa etária analisada. Foram medidos largura, comprimento, duração, velocidade e cadência dos passos de cada indivíduo, além de informações como o tempo em que cada um ficou com um pé no chão e ambos os pés no chão, a variabilidade do andar e a assimetria entre os passos.
O grupo usou os dados para criar os dois modelos diferentes para o aprendizado da máquina – o de diagnóstico da doença e o de identificação do estágio em que ela estava nos pacientes. Nessa etapa, os pesquisadores contaram com a participação de colegas da Faculdade de Engenharia da Universidade do Porto (Portugal).
Foram analisados cinco algoritmos – Naïve Baise (NB), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF) e Logistic Regression (LR). O algoritmo NB alcançou uma precisão de 84,6% no diagnóstico de doença de Parkinson.
Para a identificação do estágio da doença, os algoritmos NB e RF apresentaram os maiores acertos. “Normalmente, as avaliações clínicas trazem uma precisão em torno de 80%. Se conseguirmos combinar a clínica com a inteligência artificial, será possível reduzir bastante a chance de erro no diagnóstico”, afirma Barbieri à Agência FAPESP.
Próximos desafios
A doença de Parkinson provoca degeneração das células situadas em uma das regiões do cérebro responsáveis pela produção de dopamina, substância que conduz as correntes nervosas (neurotransmissores) ao corpo. A falta ou diminuição da dopamina afeta os movimentos, gerando sintomas como tremores, lentidão, rigidez muscular e desequilíbrio, além de alterações na fala e na escrita.
O diagnóstico atualmente é feito com base na história clínica do paciente e em exame neurológico, sem um teste específico. Não há dados precisos de casos, mas estima-se que entre 3% e 4% da população acima de 65 anos tenha doença de Parkinson.
O doutorando Tiago Penedo, aluno de Barbieri e coautor do trabalho, destaca que a pesquisa pode contribuir no futuro com o diagnóstico clínico, mas um dos pontos a evoluir será no custo. “Avançamos na ferramenta e contribuímos com um banco de dados maior. Mas usamos equipamentos de alto custo, difíceis de encontrar em clínicas”, diz Penedo.
O equipamento usado na pesquisa está avaliado em cerca de US$ 100 mil. “Para analisar o andar é possível usar técnicas mais baratas com auxílio de cronômetro ou bases em que a pessoa pisa, mas os resultados não são precisos”, completa Penedo.
Agora os pesquisadores acreditam que a técnica empregada neste trabalho possa ajudar a buscar novas compreensões sobre os mecanismos da doença e a identificar padrões de caminhada.
Nesse sentido, um artigo publicado em 2021, com a participação de Barbieri, já havia mensurado em pacientes com Parkinson a sinergia do comprimento do passo durante a travessia de obstáculos e concluído que é 53% menor do que em pessoas saudáveis da mesma idade e peso. A sinergia é a capacidade do sistema locomotor de adaptar o movimento, combinando fatores como velocidade e posicionamento do pé, quando é preciso cruzar um obstáculo, como subir a guia da calçada (leia mais em: agencia.fapesp.br/36083/).
Outro estudo, também publicado na Gait & Posture, mostrou que pacientes com doença de Parkinson têm menor capacidade de adaptação da postura e comprometimento dos componentes de divagação e tremor em comparação a indivíduos neurologicamente saudáveis. O resultado fornece novos insights para explicar a oscilação maior, mais rápida e mais variável nos pacientes.
O artigo Machine learning models for Parkinson’s disease detection and stage classification based on spatial-temporal gait parameters pode ser lido em: www.sciencedirect.com/science/article/abs/pii/S0966636222004799.
Este texto foi originalmente publicado por Agência FAPESP de acordo com a licença Creative Commons CC-BY-NC-ND. Leia o original aqui.
Como citar este texto: Agência FAPESP. Inteligência artificial é usada para identificar alterações na marcha e diagnosticar doença de Parkinson. Texto de Luciana Constantino. Saense. https://saense.com.br/2022/10/inteligencia-artificial-e-usada-para-identificar-alteracoes-na-marcha-e-diagnosticar-doenca-de-parkinson/. Publicado em 24 de outubro (2022).
