Tecnologia de Neuroprótese de Fala Restaura Fala a Paciente com Paralisia Severa

Em outro grande avanço na área de próteses de inteligência artificial (IA), pesquisadores da Universidade da Califórnia em San Francisco desenvolveram com sucesso uma “neuroprótese de fala” que restaurou parcialmente a fala de um homem com paralisia severa. A nova tecnologia ajudou-o a falar em frases quando traduziu sinais do seu cérebro para o trato vocal. As palavras então apareceram como texto em uma tela.

O trabalho envolveu o primeiro participante de um ensaio clínico de pesquisa e fez parte de um corpo maior de trabalho que vinha sendo realizado há mais de dez anos pelo neurocirurgião da UCSF, Edward Chang, MD, que vinha tentando desenvolver uma tecnologia que permitisse às pessoas com paralisia se comunicar, mesmo quando não podiam falar por conta própria.

O estudo foi publicado em 15 de julho na New England Journal of Medicine.

Primeiro Sistema do Tipo

Chang é o titular da Cátedra Joan e Sanford Weill de Cirurgia Neurológica da UCSF e Professor Distinguido Jeanne Robertson. Ele também é o autor sênior do estudo.

“Até onde sabemos, este é o primeiro demonstração bem-sucedida de decodificação direta de palavras completas da atividade cerebral de alguém que está paralisado e não pode falar”, disse Chang. “Isso mostra uma grande promessa para restaurar a comunicação, aproveitando a maquinaria natural de fala do cérebro.”

O trabalho nessa área tradicionalmente gira em torno da restauração da comunicação por meio de abordagens baseadas em soletração para escrever letras uma a uma em texto. No entanto, o novo estudo se concentra em traduzir sinais que são realmente destinados a controlar os músculos do sistema vocal para falar palavras. Isso é diferente do trabalho tradicional, que se concentra nos sinais que movem o braço ou a mão.

De acordo com Chang, a nova abordagem aproveita os aspectos naturais e fluidos da fala e pode levar a grandes avanços nessa área. Ele também disse que as abordagens baseadas em soletração que dependem de digitação, escrita e controle de cursor são muito mais lentas.

“Com a fala, normalmente comunicamos informações a uma taxa muito alta, de até 150 ou 200 palavras por minuto”, disse ele. “Ir direto para as palavras, como estamos fazendo aqui, tem grandes vantagens porque é mais próximo do como normalmente falamos.”

O trabalho anterior de Chang dependia de pacientes no Centro de Epilepsia da UCSF que estavam passando por neurocirurgia para detectar o que estava causando seus ataques, e usava matrizes de eletrodo que foram colocadas na superfície do cérebro dos pacientes. Os pacientes tinham fala normal, e os resultados ajudaram a levar ao ensaio atual para indivíduos com paralisia.

Alguns dos novos métodos desenvolvidos pela equipe incluíam uma maneira de decodificar padrões de atividade cortical e linguagem estatística para melhorar a precisão.

David Moses, PhD, é um engenheiro pós-doutorado no Laboratório Chang e outro dos autores principais.

“Nossos modelos precisavam aprender o mapeamento entre padrões complexos de atividade cerebral e fala pretendida”, disse Moses. “Isso apresenta um grande desafio quando o participante não pode falar.”

O Primeiro Participante

O primeiro participante do ensaio foi um homem em seus fins de 30 anos que sofreu um acidente vascular cerebral no tronco cerebral há mais de 15 anos, que deixou a conexão entre seu cérebro e trato vocal e membros severamente danificada.

Desenvolvendo um vocabulário de 50 palavras que a equipe de Chang pôde usar algoritmos de computador avançados para reconhecer, o participante foi capaz de criar centenas de frases expressando conceitos da vida diária.

Ele precisava ter uma matriz de eletrodo de alta densidade implantada sobre seu córtex motor de fala, e após sua recuperação, mais de 22 horas de atividade neural nessa região do cérebro foram registradas em 48 sessões.

Sean Metzger, MS e Jessie Liu, BS, são ambos estudantes de doutorado em bioengenharia no Laboratório Chang e foram responsáveis por desenvolver modelos de rede neural personalizados que pudessem traduzir os padrões de atividade neural registrada em palavras específicas pretendidas.

Após o teste, a equipe descobriu que o sistema podia decodificar palavras da atividade cerebral a uma taxa de até 18 palavras por minuto e era 93% preciso. A equipe aplicou uma função de “correção automática” ao modelo de linguagem, o que ajudou a melhorar a precisão.

“Estamos entusiasmados em ver a decodificação precisa de uma variedade de frases significativas”, disse Moses. “Demonstramos que é possível facilitar a comunicação dessa forma e que tem potencial para uso em configurações conversacionais.”

A equipe agora expandirá o ensaio para incluir mais participantes que sofrem de paralisia severa e problemas de comunicação. Eles também estão expandindo o número de palavras no vocabulário e trabalhando na melhoria da taxa de fala.

“Este é um marco tecnológico importante para uma pessoa que não pode se comunicar naturalmente”, disse Moses, “e demonstra o potencial para essa abordagem dar voz a pessoas com paralisia severa e perda de fala.”