Modelos de IA Usam Processamento de Linguagem Natural para Prever Risco de Desenvolver Alzheimer

Uma equipe de pesquisadores de IA da IBM e da Pfizer (PFE ) desenvolveu algoritmos de IA que podem potencialmente detectar sinais de doença de Alzheimer analisando a escrita e encontrando padrões linguísticos das pessoas.

Outros pesquisadores de IA desenvolveram modelos destinados a prever o desenvolvimento de Alzheimer analisando exames de PET ou interpretando dados de testes clínicos. Esses outros modelos foram treinados com dados recentes, mas o modelo desenvolvido pela equipe da IBM-Pfizer foi treinado com dados do Estudo do Coração de Framingham, que inclui dados de mais de 14.000 pessoas em três gerações e seis décadas. A natureza de longo prazo dos dados é importante, pois, se a IA for capaz de detectar padrões dentro de grandes populações ao longo de longos períodos de tempo, os pesquisadores poderiam potencialmente prever a manifestação de Alzheimer anos antes das técnicas de diagnóstico atuais. Além disso, poderia ser um método de diagnóstico confiável que não exige o uso de tecnologia de varredura ou testes invasivos, aumentando a gama de cenários em que pode ser usado.

De acordo com o vice-presidente de saúde e ciências da vida da IBM, Ajay Royyuru, os modelos de IA desenvolvidos pela equipe de pesquisa podem funcionar como uma ferramenta que ajuda os profissionais de saúde a obter pistas sobre o possível desenvolvimento de Alzheimer antes dos testes clínicos. Os modelos podem essencialmente funcionar como sistemas de alerta precoce que promovem que os profissionais de saúde realizem testes mais extensivos.

Para treinar os modelos de IA, a equipe de pesquisa usou transcrições de respostas manuscritas a várias perguntas. Os participantes do Estudo do Coração de Framingham foram solicitados a descrever uma imagem de um cenário usando sua linguagem natural. As respostas geradas pelos respondentes foram digitalizadas e as transcrições foram alimentadas nos algoritmos de aprendizado de máquina como dados de treinamento. De acordo com a IBM, os modelos foram capazes de capturar certas características linguísticas que estão correlacionadas com o desenvolvimento de distúrbios neurodegenerativos. Os clínicos já descobriram que o uso de palavras repetidas, erros de digitação e uma preferência por frases simples em vez de frases mais complexas pode ser indicativo do progresso de Alzheimer, e os modelos de IA também encontraram essas mesmas características.

De acordo com os resultados do estudo, o modelo principal alcançou aproximadamente 70% de precisão na previsão de quais dos participantes do estudo original eventualmente desenvolveram a doença de Alzheimer até os 85 anos de idade. Os modelos, e portanto os resultados, foram derivados dos dados históricos dentro do estudo original. Eles não realmente previram eventos futuros. Além disso, o modelo de IA foi treinado na subpopulação mais antiga da população de Framingham. Essa população era principalmente não hispânica branca, e, como resultado, há limites para a generalização dos resultados para outras etnias e populações em todo o mundo. O tamanho da amostra para o estudo foi bastante pequeno, consistindo em apenas 40 indivíduos que desenvolveram demência e 40 que não desenvolveram.

Apesar dessas limitações, o estudo tem valor como um dos primeiros estudos a analisar dados de vida real em grande escala coletados ao longo de um longo período de tempo. A precisão do modelo poderia potencialmente ser aumentada se certas características deixadas de fora do estudo forem incluídas em dados de treinamento futuros, como a caligrafia. Uma abordagem semelhante também pode ser usada com gravações de áudio de fala, que inclui pausas que não são representadas na linguagem escrita.

De acordo com Royyuru, a vantagem de usar amostras de linguagem é que, independentemente de as amostras serem faladas ou escritas, elas são métodos não invasivos de avaliar as condições cognitivas das pessoas. Coletar dados de linguagem pode ser feito remotamente e relativamente barato, aproveitando a internet, embora seja importante que salvaguardas de privacidade e consentimento informado estejam em vigor ao coletar esses dados.

O coautor do estudo e pesquisador de neuroimagem e psiquiatria computacional da IBM, Guillermo Cecchi, explicou à Scientific American que o processo está sendo adaptado para entender outras formas de doença também:

“Estamos no processo de aproveitar essa tecnologia para entender melhor doenças como esquizofrenia, [esclerose lateral amiotrófica] e doença de Parkinson e estamos fazendo isso em estudos prospectivos [que] analisam amostras de fala falada, dadas com consentimento de testes verbais cognitivos semelhantes.”