O rastreio da doença de Alzheimer dá um salto com o modelo de aprendizagem automática do Japão

Em um desenvolvimento inovador, no Japão, e a empresa farmacêutica Eisai Co. revelaram o primeiro modelo de aprendizado de máquina do mundo projetado para prever o acúmulo de beta-amiloide (Aβ) no cérebro, um fator patológico crucial na doença de Alzheimer (DA). 

Este modelo revolucionário utiliza dados coletados por sensores em pulseiras para rastrear facilmente o acúmulo de Aβ no cérebro usando dados biológicos e de estilo de vida.

Uma solução para os desafios da detecção precoce

A doença de Alzheimer, responsável por mais de 60% dos casos de demência, é caracterizada pelo acúmulo gradual de Aβ no cérebro. Esse processo começa aproximadamente duas décadas antes do início dos sintomas clínicos. 

Como resposta a essa questão premente, foram realizados esforços para desenvolver medicamentos terapêuticos direcionados ao Aβ, culminando na aprovação de um anticorpo monoclonal humanizado anti-Aβ agregado solúvel no Japão.

A eficácia desses medicamentos depende da detecção precoce do acúmulo de Aβ em indivíduos com comprometimento cognitivo leve, idealmente antes do surgimento dos sintomas. Adentdo acúmulo de Aβ no cérebro depende de métodos caros e invasivos, como a tomografia por emissão detron (PET amiloide) e a análise do líquido cefalorraquidiano (LCR). 

Esses testes são limitados a instituições médicas selecionadas e acarretam custos financeiros e processuais consideráveis. Consequentemente, tem havido uma busca constante por um método de triagem acessível e fácil de usar paradentcandidatos que necessitam de PET amiloide ou teste de LCR.

Embora estudos anteriores tenham tentado prever o acúmulo de Aβ no cérebro usando testes de função cognitiva, exames de sangue e imagens cerebrais, este estudo de aprendizado de máquina representa uma abordagem pioneira centrada em “dados biológicos” e “dados de estilo de vida”

A inovação em aprendizado de máquina

A colaboração entre a Universidade de Oita e a Eisai Co. resultou em um modelo pioneiro de aprendizado de máquina capaz de prever o acúmulo de Aβ no cérebro. O que diferencia esse modelo é a utilização de dados de sensores de pulso, uma inovação em relação aos testes cognitivos e de imagem convencionais. 

Ao aproveitar dados biológicos e de estilo de vida, essa tecnologia de ponta oferece uma solução promissora para o rastreio precoce da doença de Alzheimer.

O papel da proteína beta-amiloide (Aβ)

A proteína beta-amiloide (Aβ) desempenha um papel central no desenvolvimento da doença de Alzheimer. Na DA, a Aβ começa a se acumular no cérebro muito antes dodentdos sintomas clínicos. Essa acumulação é um fator patológico crítico, tornando-a um alvo primordial para intervenções terapêuticas. 

A detecção precoce do acúmulo de Aβ é essencial para maximizar a eficácia do tratamento, pois permite uma intervenção médica oportuna que pode retardar ou mitigar a progressão da doença.

Métodos de detecção tradicionais

A tomografia por emissão detron (PET amiloide) e a análise do líquido cefalorraquidiano (análise do LCR) têm sido tradicionalmente os principais meios de detecção do acúmulo de Aβ no cérebro. No entanto, esses métodos apresentam diversos desafios:

Disponibilidade limitada: Nem todas as instituições médicas possuem a capacidade de realizar exames de PET ou de LCR para amiloide, o que limita o acesso a essas ferramentas de diagnóstico.

Custos elevados: Esses exames podem ser extremamente caros, tornando-os um fardo financeiro para muitos pacientes.

Invasividade: Os procedimentos de PET amiloide e de análise do LCR podem ser invasivos e desconfortáveis ​​para os pacientes.

A nova abordagem

O modelo inovador de aprendizado de máquina desenvolvido pela Universidade de Oita e pela Eisai Co. representa um avanço significativo em relação aos métodos de detecção tradicionais. Ao incorporar dados de sensores de pulseira, essa abordagem aproveita dados biológicos e de estilo de vida para prever o acúmulo de Aβ no cérebro.

Essa inovação promete um meio mais acessível, econômico e não invasivo dedentindivíduos com risco de desenvolver a doença de Alzheimer.

Diversos fatores de risco, incluindo estilo de vida e condições médicas como falta de exercícios, isolamento social, distúrbios do sono, hipertensão, diabetes e doenças cardiovasculares, influenciam a doença de Alzheimer. 

Enquanto estudos anteriores se basearam principalmente em testes cognitivos e de imagem, este modelo de aprendizado de máquina considera uma gama mais ampla de "dados biológicos" e "dados de estilo de vida" para aprimorar suas capacidades preditivas.