Estudos têm buscado maneiras eficientes de prever e tratar doenças neurodegenerativas, como a Doença de Alzheimer (DA). Um estudo publicado na eClinical Medicine em 28 de setembro de 2023, apresentou avanços significativos nesse sentido, trazendo contribuições inovadoras para o campo da medicina e, em particular, para a neurologia.
A Doença de Alzheimer é caracterizada por uma variedade clínica nas apresentações inter e intra-individuais. Essa natureza heterogênea torna imprescindivel o desenvolvimento de ferramentas que auxiliem no diagnóstico precoce, determinem o risco de progressão da doença e orientem tratamentos imediatos para a melhoria contínua do cuidado com pacientes.
Utilizando técnicas avançadas de randomização mendeliana e deep learning, pesquisadores desenvolveram um modelo para avaliar o risco de progressão através das diferentes fases de declínio cognitivo. O modelo foi treinado com dados clínicos e de ressonância magnética (MRI) de 1.370 indivíduos e validado externamente em um grupo adicional de 233 indivíduos.
✅ Os resultados são promissores:
- O modelo foi capaz de identificar padrões distintos baseados em biomarcadores e apresentou taxas variáveis de progressão.
- A capacidade de predição do modelo foi avaliada usando índices como Hazard Ratio (HR) e Concordance Index (C-index), demonstrando robustez significativa.
- Foi estabelecida uma relação causal entre os padrões de conversão do Comprometimento Cognitivo Leve (MCI) para a Doença de Alzheimer (DA) e o tempo necessário para a conversão da doença nos primeiros três anos.
- Três variantes genéticas se mostraram associadas à transição do MCI para a demência associada à Doença de Alzheimer (AD).
- Fatores determinantes para a deterioração clínica mais acelerada incluem: sexo feminino, redução dos volumes cerebrais e pontuações cognitivas inferiores.
- O modelo apresentado superou outros modelos contemporâneos na previsão do tempo de conversão da doença.
Na Figura é possível observar a variação na atrofia cerebral entre pacientes com dois padrões distintos de Comprometimento Cognitivo Leve (MCI) para a Doença de Alzheimer (AD) ao longo de 1, 3 e 5 anos. Enquanto pacientes com o padrão 1 apresentaram atrofia mais gradual, focada nas regiões do cúneo e giro pós-central, aqueles com o padrão 2 exibiram uma progressão de atrofia mais acelerada, afetando áreas como o córtex orbitofrontal medial, amígdala e corpo geniculado lateral.
Fonte: eClinicalMedicine. doi: 10.1016/j.eclinm.2023. 102247
Os resultados destacam o potencial de um modelo baseado em deep learning para prever a progressão da DA utilizando dados do mundo real. Ao identificar padrões clínicos e biológicos, este modelo aprimora nossa compreensão da progressão da DA, podendo desempenhar um papel vital no design de ensaios clínicos e na tomada de decisões.
A pesquisa sugere que, ao considerar um conjunto abrangente de biomarcadores clínicos e características de neuroimagem, é possível mapear as trajetórias individuais dos pacientes com maior precisão. A capacidade de prever e, por extensão, tratar de forma proativa a DA pode ser uma revolução na maneira como abordamos essa doença devastadora.
Especialistas na área são encorajados a examinar as metodologias e descobertas deste estudo. Ele sinaliza um progresso notável na jornada em busca de tratamentos mais eficientes para a Doença de Alzheimer. Para uma compreensão mais aprofundada, disponibilizamos o link para acesso ao estudo completo.
Leia também:
Referências:
-
Paharia, P. T. (2023, October 3). Novel deep learning model to assess Alzheimer's disease progression risk. News-Medical. https://www.news-medical.net/news/20231003/Novel-deep-learning-model-to-assess-Alzheimers-disease-progression-risk.aspx
- Fan Yi et al., (2023) Identifying underlying patterns in Alzheimer's disease trajectory: a deep learning approach and Mendelian randomization analysis, eClinicalMedicine. doi: 10.1016/j.eclinm.2023. 102247. https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(23)00424-8/fulltext