Inteligência artificial promete diagnóstico precoce da doença de Alzheimer

A doença de Alzheimer é o principal enfermidade neurodegenerativa e a principal causa de demência na pessoa idosa, sendo responsável por 60% dos casos.

O número de pessoas vivendo com demência no mundo é superior a 43 milhões de pessoas e estima-se que alcance 152 milhões em 2050.

A maioria das pessoas com demência vive em países de baixa e média renda¹.

Há importantes avanços recentes na compreensão da fisiopatologia, diagnóstico e no tratamento da doença de Alzheimer. Uma das áreas em rápida evolução são os biomarcadores, baseados em análises de métodos de imagem e de exames realizados em amostra de líquor e plasma, que permitem um diagnóstico ainda em fases assintomáticas da doença baseados na cascata amiloide, acúmulo de proteína tau, inflamação e neurodegeneração².

Recentemente foram aprovados pelo US Food and Administration (FDA) duas drogas antiamiloides, Aducanumab e Lecanemab, depois de longo período após a aprovação da memantina e de anticolinesterásicos. Estes novos medicamentos retardam a evolução da doença em pacientes com Comprometimento Cognitivo Leve devido à Doença de Alzheimer e demência leve devido à Doença de Alzheimer^3,4.

Todavia o custo e a disponibilidade destes métodos e tratamentos permanecem um desafio em países de baixa e média renda, como o Brasil.

Há grande interesse na literatura científica em descobrir um biomarcador digital, preferencialmente um dispositivo móvel ou que possa ver vestido pela pessoa, para o diagnóstico precoce da doença de Alzheimer.

A pessoa com doença de Alzheimer pode apresentar alterações sutis da memória, comportamentais e motoras, não identificadas pelos testes convencionais de avaliação, mas que poderiam ser detectáveis pela inteligência artificial (IA) anos antes do início da demência pela doença de Alzheimer. O uso de biomarcador digital em tablets e smartphones poderia auxiliar a detecção precoce em larga escala e menor custo^5,6.

Outra possibilidade é a de sensores para detectar alterações precoces sugestivas da doença de Alzheimer na movimentação ocular, reflexos pupilares, características acústicas e fala, permitindo o diagnóstico não invasivo e com menor custo^7,8. Uma das alterações estudadas é a disfunção da rede visomotora⁹.

Sabe-se que alterações motoras podem ocorrer pela doença de Alzheimer na marcha, na capacidade de levantar-se e sentar-se e no tempo de reação. Está sendo estudado se a destreza dos dedos pode ser um biomarcador digital da doença de Alzheimer¹⁰.

O sistema nervoso autonômico – que controla as funções involuntárias do corpo, como a frequência cardíaca, a pressão arterial, a digestão e a respiração –, pode ser afetado precocemente pela doença de Alzheimer. Isso ocorre por causa do depósito de proteína tau em núcleos do tronco encefálico. Uma maneira de fazer esta avaliação é medindo a variabilidade da frequência cardíaca por meio de fotopletismografia^11,12.

O uso da IA, com técnicas de machine learning e deep learning, pode favorecer o diagnóstico precoce da doença de Alzheimer e de outras proteinopatias associadas a outras doenças que afetam a cognição, por meio da análise da proteína B-amiloide, proteína tau, marcadores de neurodegeneração e ressonâncias nucleares encefálicas estruturais, determinando novos modelos diagnósticos, que são testados pela própria inteligência artificial, elevando a acurácia e, potencialmente reduzindo custos^13,14.

Portanto, há um grande campo de pesquisas com o uso da IA para o diagnóstico precoce da doença de Alzheimer, sendo uma área promissora para o desenvolvimento de biomarcadores digitais.

*Marco Túlio Gualberto Cintra é presidente da Sociedade Brasileira de Geriatria e Gerontologia (SBGG).

Bibliografia:

1. Li X, Feng X, Sun X, Hou N, Han F, Liu Y. Global, regional, and national burden of Alzheimer’s disease and other dementias, 1990-2019. Front Aging Neurosci. 2022 Oct 10;14:937486.

2. The AT(N) system for describing biological changes in Alzheimer’s disease: a plain language summary Harald Hampel, Aya Elhage, Jeffrey Cummings, Kaj Blennow, Peng Gao, Clifford R Jack Jr, and Andrea Vergallo Neurodegenerative Disease Management 2022 12:5, 231-239.

3. S. Budd Haeberlein, P.S. Aisen, F. Barkhof, et al. Two Randomized Phase 3 Studies of Aducanumab in Early Alzheimer’s Disease. J Prev Alz Dis 2022;2(9):197-210; http://dx.doi.org/10.14283/jpad.2022.30

4. van Dyck CH, Swanson CJ, Aisen P, Bateman RJ, Chen C, Gee M, Kanekiyo M, Li D, Reyderman L, Cohen S, Froelich L, Katayama S, Sabbagh M, Vellas B, Watson D, Dhadda S, Irizarry M, Kramer LD, Iwatsubo T. Lecanemab in Early Alzheimer’s Disease. N Engl J Med. 2023 Jan 5;388(1):9-21. 

5. Kourtis, L.C.; Regele, O.B.; Wright, J.M.; Jones, G.B. Digital biomarkers for Alzheimer’s disease: The mobile/wearable devices opportunity. NPJ Digit. Med. 2019, 2, 9.

6. Buegler, M.; Harms, R.L.; Balasa, M.; Meier, I.B.; Exarchos, T.; Rai, L.; Boyle, R.; Tort, A.; Kozori, M.; Lazarou, E.; et al. Digital biomarker-based individualized prognosis for people at risk of dementia. Alzheimer’s Dement.: Diagn. Assess. Dis. Monit. 2020, 12, e12073.

7. Opwonya, J.; Doan, D.N.T.; Kim, S.G.; Kim, J.I.; Ku, B.; Kim, S.; Park, S.; Kim, J.U. Saccadic eye movement in mild cognitive impairment and Alzheimer’s disease: A systematic review and meta-analysis. Neuropsychol. Rev. 2022, 32, 193–227.

8. Haider, F.; De La Fuente Garcia, S.; Albert, P.; Luz, S. Affective speech for Alzheimer’s dementia recognition. In Proceedings of the LREC: Resources and Processing of Linguistic, Para-Linguistic and Extra-Linguistic Data from People with Various forms of Cognitive/Psychiatric/Developmental Impairments (RaPID), Marseille, France, 11–16 May 2020; pp. 67–73.

9. Nam, U.; Lee, K.; Ko, H.; Lee, J.Y.; Lee, E.C. Analyzing facial and eye movements to screen for Alzheimer’s disease. Sensors 2020, 20, 5349.

10. Suzumura, S.; Osawa, A.; Maeda, N.; Sano, Y.; Kandori, A.; Mizuguchi, T.; Yin, Y.; Kondo, I. Differences among patients with Alzheimer’s disease, older adults with mild cognitive impairment and healthy older adults in finger dexterity. Geriatr. Gerontol. Int. 2018, 18, 907–914.

11. Perpetuini, D.; Cardone, D.; Filippini, C.; Chiarelli, A.M.; Merla, A. Modelling impulse response function of functional infrared imaging for general linear model analysis of autonomic activity. Sensors 2019, 19, 849.

12. Cazangiu, T.; Argatu, F.C.; Enache, B.A.; Vita, V.; Stavros, G. Device for monitoring people with Alzheimer’s disease. In Proceedings of the 2018 International Symposium on Fundamentals of Electrical Engineering (ISFEE), Bucharest, Romania, 1–3 November 2018; pp. 1–5.

13. Tuan, T.A.; Pham, T.B.; Kim, J.Y.; Tavares, J.M.R. Alzheimer’s diagnosis using deep learning in segmenting and classifying 3D brain MR images. Int. J. Neurosci. 2022, 132, 689–698.

14. Ludwig, N.; Fehlmann, T.; Kern, F.; Gogol, M.; Maetzler, W.; Deutscher, S.; Gurlit, S.; Schulte, C.; Von Thaler, A.K.; Deuschle, C.; et al. A Machine learning to detect Alzheimer’s disease from circulating non-coding RNAs. Genom. Proteom. Bioinform. 2019, 17, 430–440.