À medida que os seres humanos envelhecem além da fase adulta jovem, suas funções físicas e mentais tendem a piorar gradualmente com o tempo. Uma das causas mais comuns de declínio cognitivo grave em idosos são as doenças neurodegenerativas, condições caracterizadas pela perda progressiva de neurônios no cérebro ou no sistema nervoso periférico.

Estudos anteriores demonstraram que o declínio cognitivo e a perda de memória associados a doenças neurodegenerativas são frequentemente precedidos por sintomas relacionados à saúde mental, como baixo astral, falta de motivação, ansiedade e irritabilidade. Até o momento, contudo, a detecção precoce de doenças neurodegenerativas com base no surgimento de sintomas neuropsiquiátricos tem se mostrado um desafio.

Pesquisadores da Universidade Médica de Chongqing e do Laboratório Principal de Doenças Orais de Chongqing exploraram recentemente o potencial de uma nova abordagem para prever o início do declínio cognitivo, que combina amostras biológicas com aprendizado de máquina.

O artigo, publicado na revista Translational Psychiatry , destaca o potencial dessa abordagem para o rastreio em larga escala de adultos mais velhos e a identificação de pessoas com maior risco de desenvolver distúrbios neuropsiquiátricos ou doenças neurodegenerativas.

"Os sintomas neuropsiquiátricos são indicadores precoces de declínio cognitivo devido a doenças neurodegenerativas, e sua detecção oportuna é da maior importância", escreveram Ping Liu, Zeng Yang e seus colegas em seu artigo.

Análise de biomarcadores relacionados à saliva com aprendizado de máquina

Para realizar o estudo, Liu, Yang e seus colegas recrutaram um total de 338 idosos que utilizavam os serviços de centros de saúde comunitários em Chongqing, na China. Esses participantes responderam a um questionário no qual compartilharam informações demográficas e forneceram amostras de saliva e de bactérias presentes na boca.

Os pesquisadores também mediram marcadores dos níveis de estresse dos participantes, como o hormônio cortisol e pequenas proteínas produzidas por células imunológicas chamadas citocinas. As informações coletadas foram então divididas em dois conjuntos de dados.

O primeiro conjunto de dados continha informações coletadas de 138 participantes e foi usado para treinar modelos de aprendizado de máquina. O segundo conjunto de dados, por sua vez, continha informações dos 200 participantes restantes e foi usado para validar a capacidade do modelo de prever o risco de pacientes individuais apresentarem sintomas neuropsiquiátricos.

A equipe desenvolveu e treinou diversos tipos de modelos de aprendizado de máquina, incluindo um modelo chamado Extreme Gradient Boosting (XGBoost), uma máquina de vetores de suporte (SVM) e um modelo de regressão logística (LR). Em seguida, testaram a capacidade desses modelos de identificar, de forma confiável, pacientes com maior risco de apresentar sintomas neuropsiquiátricos, analisando biomarcadores derivados da análise de amostras de saliva e do microbioma oral.

Eles descobriram que o modelo XGBoost teve um desempenho melhor do que outros modelos. Em seguida, usaram um dos modelos que desenvolveram para criar uma plataforma que pudesse ser facilmente acessada por profissionais de saúde e usada para triagem de grupos de idosos.

"O modelo XGBoost com aumento de gênero obteve o melhor desempenho, com uma AUROC de 0,936 e uma pontuação F1 de 0,864, superando outros modelos", escreveram os autores.

"O modelo de regressão logística foi convertido em um nomograma para facilitar a avaliação do risco neuropsiquiátrico em contextos comunitários. A validação externa confirmou o forte poder preditivo (AUROC = 0,986, pontuação F1 = 0,944). Análises de enriquecimento e correlação revelaram interações entre cortisol e microrganismos com vias metabólicas como a via das pentoses-fosfato e a biossíntese do antígeno comum de enterobactérias."

A nova ferramenta de triagem baseada em aprendizado de máquina, desenvolvida por esta equipe de pesquisadores, poderá em breve ser aprimorada e testada em contextos clínicos reais. No futuro, ela poderá auxiliar profissionais de saúde a detectar precocemente o surgimento de sintomas neuropsiquiátricos e, possivelmente, também o declínio cognitivo, planejando intervenções terapêuticas e estratégias de suporte adequadas.

"O modelo e o nomograma aprimorados pelo XGBoost oferecem ferramentas promissoras para a triagem de NPS (Novas Substâncias Psicoativas) em comunidades, enquanto a análise de enriquecimento fornece informações sobre os mecanismos biológicos", escreveram Liu, Yang e seus colegas.

Os resultados iniciais coletados por esses pesquisadores destacam o potencial dos modelos de aprendizado de máquina para a análise de dados biológicos e a detecção precoce de sintomas neuropsiquiátricos.

Outros neurocientistas e pesquisadores da área de psiquiatria poderão em breve se inspirar neste estudo para desenvolver plataformas adicionais baseadas em IA para a triagem em larga escala de idosos ou outras populações que possam apresentar maior risco de desenvolver condições específicas.