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

Num desenvolvimento inovador, a Universidade de Oita, baseada em Japão, e a empresa farmacêutica Eisai Co. revelaram o primeiro modelo de aprendizagem automática do mundo concebido para prever o acúmulo de beta-amiloide (Aβ) no cérebro, um fator patológico pivotal na doença de Alzheimer (AD).

Este modelo revolucionário alavanca dados recolhidos a partir de sensores de pulseira para facilitar o rastreio do acúmulo de Aβ cerebral utilizando dados biológicos e de estilo de vida.

Uma solução para os desafios da deteção precoce

A doença de Alzheimer, que representa mais de 60% dos casos de demência, é marcada pelo acúmulo gradual de Aβ no cérebro. Este processo começa aproximadamente duas décadas antes do aparecimento dos sintomas clínicos. 

Como resposta a esta questão premente, têm havido esforços para desenvolver medicamentos terapêuticos que visam o Aβ, culminando na aprovação de um anticorpo monoclonal humanizado anti-agregado solúvel de Aβ no Japão.

A eficácia de tais medicamentos depende da deteção precoce do acúmulo de Aβ em indivíduos com comprometimento cognitivo leve, idealmente antes do aparecimento dos sintomas. A identificação do acúmulo de Aβ cerebral baseia-se em métodos caros e invasivos, como a tomografia por emissão de pósitrons (PET de amiloide) e testes de líquido cefalorraquidiano (testes de LCR). 

Estes testes estão limitados a instituições médicas selecionadas e vêm com encargos financeiros e procedimentais consideráveis. Consequentemente, tem havido uma procura persistente por um método de rastreio acessível e fácil de usar para identificar candidatos que necessitam de PET de amiloide ou testes de LCR.

Embora estudos anteriores tenham tentado prever o acúmulo de Aβ cerebral utilizando testes de função cognitiva, testes sanguíneos e imagens cerebrais, este estudo de aprendizagem automática representa uma abordagem pioneira centrada em “dados biológicos” e “dados de estilo de vida.”

O avanço da aprendizagem automática

A colaboração entre a Universidade de Oita e a Eisai Co. deu origem a um modelo de aprendizagem automática pioneiro capaz de prever o acúmulo de Aβ cerebral. O que distingue este modelo é a sua utilização de dados de sensores de pulseira, uma mudança em relação aos testes cognitivos e de imagem convencionais. 

Ao aproveitar dados biológicos e de estilo de vida, esta tecnologia de ponta oferece uma solução promissora para a triagem precoce da doença de Alzheimer.

O papel da Beta-Amiloide (Aβ)

A beta-amiloide (Aβ) é uma proteína que desempenha um papel central no desenvolvimento da doença de Alzheimer. Na DA, a Aβ começa a se acumular no cérebro muito antes de os sintomas clínicos se tornarem evidentes. Esse acúmulo é um fator patológico crítico, tornando-o um alvo primário para intervenções terapêuticas. 

Detectar o acúmulo de Aβ precocemente é essencial para maximizar a eficácia do tratamento, pois permite uma intervenção médica oportuna para potencialmente retardar ou mitigar a progressão da doença.

Métodos tradicionais de detecção

A tomografia por emissão de pósitrons (PET de amiloide) e os testes de líquido cefalorraquidiano (testes de LCR) têm sido tradicionalmente os principais meios de detectar o acúmulo de Aβ no cérebro. No entanto, esses métodos apresentam vários desafios:

Disponibilidade Limitada: Nem todas as instituições médicas possuem capacidade para realizar PET de amiloide ou testes de LCR, limitando o acesso a essas ferramentas diagnósticas.

Altos Custos: Esses testes podem ser proibitivamente caros, tornando-os um fardo financeiro para muitos pacientes.

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

A abordagem inovadora

O modelo revolucionário de aprendizado de máquina desenvolvido pela Universidade de Oita e pela Eisai Co. representa uma mudança significativa em relação aos métodos tradicionais de detecção. Ao incorporar dados de sensores de pulsoira, essa abordagem capitaliza dados biológicos e de estilo de vida para prever o acúmulo de Aβ no cérebro.

Esta inovação promete um meio mais acessível, econômico e não invasivo de identificar indivíduos em risco de desenvolver a doença de Alzheimer.

Vários fatores de risco, incluindo estilo de vida e condições médicas, como falta de exercício, 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.