Apesar do progresso em muitas frentes no controle de doenças crônicas, ainda há muitas questões em aberto no campo. Uma melhor compreensão das doenças crônicas poderia permitir um melhor gerenciamento do atendimento ao paciente e um desenvolvimento de medicamentos mais rápido e eficiente como resultado de ensaios clínicos mais bem elaborados (1). A IBM Research está usando o aprendizado de máquina como uma ferramenta na busca para revelar as complexidades dessas doenças. Na Machine Learning for Healthcare Conference desta semana, apresentamos nosso progresso nesta área motivados pela doença de Parkinson (DP).
A DP é uma doença neurodegenerativa crônica e progressiva com sintomas heterogêneos que podem afetar a função motora e não motora. A DP é uma das dez principais causas de morte em pessoas com mais de 65 anos de idade nos Estados Unidos (2). Estima-se que 6 milhões de pessoas em todo o mundo e 1 milhão de pessoas nos Estados Unidos vivam com DP, e essa preponderância deve dobrar até 2040 – tornando a necessidade de pesquisas e um melhor entendimento da doença ainda mais urgente (3).
Em colaboração com a Michael J. Fox Foundation for Parkinson’s Research, nossa equipe de pesquisadores da IBM tem como objetivo desenvolver modelos aprimorados de progressão da doença que possam ajudar os médicos a entender como a doença progride em relação ao surgimento dos sintomas, mesmo quando os pacientes estão tomando medicamentos modificadores de sintomas.
Atendendo à necessidade
Modelos de séries temporais e de previsão (técnicas usadas para prever resultados futuros com base em dados observados anteriormente) não são exclusivos para aplicativos de saúde, mas seu uso em aplicativos de saúde pode ter desafios específicos. Neste projeto, o objetivo específico era aprender os estados clínicos da DP e sua progressão correspondente, de modo que os médicos e pacientes pudessem ter uma medida quantitativa da doença de um indivíduo.
Os estados da doença para condições crônicas podem ser considerados de maneira semelhante aos estágios do câncer, com a importante advertência de que, no caso de condições crônicas, a conexão dos estados da doença com os mecanismos biológicos muitas vezes não é compreendida. A biologia subjacente do DP ainda não está totalmente caracterizada, o que torna o aprendizado e a classificação dos estágios muito difíceis. No entanto, os estados da doença ainda são úteis, pois fornecem um resumo conciso dos sintomas motores e não motores potenciais e permitem que os médicos desenvolvam uma terapia e planos de tratamento direcionados. No futuro, modelos de progressão como o nosso podem ajudar a suportar várias aplicações clínicas. Por exemplo, uma vez que os estados da doença são aprendidos, os médicos podem agrupar os pacientes quantitativamente, bem como prever melhor a progressão – o que pode ajudar a informar um tratamento e gerenciamento mais personalizados do paciente, bem como ensaios de drogas mais eficazes.
Em geral, a progressão não é direta nem fácil de definir na doença de Parkinson. Os sintomas e as trajetórias dos sintomas da DP se manifestam em uma ampla variedade de pacientes. Isso torna difícil para os médicos avaliarem de forma definitiva e quantitativa onde um indivíduo pode estar em um determinado momento e quão avançado realmente está seu DP.
Este problema se torna ainda mais desafiador devido a conjuntos de dados comparativamente pequenos e a confusão dos dados devido aos efeitos dos medicamentos. O uso de medicamentos apresenta um desafio interessante em muitas doenças crônicas, nas quais os medicamentos são usados para aliviar os sintomas, mas não se acredita que alterem o curso da doença. Por exemplo, considere o caso de um indivíduo com DP experimentando melhor controle motor devido à medicação, o que poderia levar ao mascaramento de um estado mais avançado da doença (4).
Além disso, as respostas dos pacientes à medicação podem não ser consistentes em toda a população, motivando a necessidade de personalizar as previsões. Por exemplo, os sintomas de tremor de um paciente podem ser muito responsivos à medicação, enquanto outro pode estar experimentando menos alívio com a medicação, embora suas doenças estejam igualmente progredidas. Muitos modelos de progressão para DP não levam em consideração os efeitos da medicação.
Identificar esses desafios é a chave para o sucesso do aprendizado de máquina na área de saúde e é um aspecto importante de nossa colaboração com a Michael J. Fox Foundation (MJFF). Além de fornecer conhecimentos de domínio importantes para informar os requisitos do modelo, a MJFF financiou a coleta de um dos volumes mais abrangentes e robustos de dados de indivíduos com DP – a Parkinson’s Progression Markers Initiative – tornando possível tentar elucidar essas complexidades com a ajuda do aprendizado de máquina.
A abordagem
A abordagem proposta trata das necessidades de aprendizagem dos estados da doença enquanto modelam os efeitos da medicação, que podem ser uma função do estado da doença e / ou resposta personalizada. É único em seu foco na modelagem de dados de pacientes que estão tomando medicamentos. Ela se baseia na estrutura de um modelo de Markov oculto e usa inferência variacional para aprender efeitos personalizados. Depois de aprender o modelo, os insights podem ser derivados tanto da interpretação dos parâmetros do modelo para aprender mais sobre a doença, quanto da análise das previsões para uma determinada coorte de pacientes.
Resultados
O modelo proposto e o algoritmo de aprendizagem serão apresentados na Conferência para Aprendizado de Máquina para Saúde 2020. Embora o trabalho tenha sido motivado pelo DP, esperamos que possa ser útil ou inspirar trabalhos e exploração semelhantes em outras condições crônicas, como diabetes, doença de Alzheimer e ALS. O desenvolvimento de ferramentas de análise é apenas o primeiro passo na colaboração com a Michael J. Fox Foundation. Nossos próximos resultados se concentrarão nos insights clínicos que derivamos ao aplicar esses modelos às extensas quantidades de dados coletados pelo estudo clínico de referência da Michael J. Fox Foundation, a Parkinson’s Progression Markers Initiative.
- https://www.nature.com/articles/s41582-020-0377-8
- https://www.cdc.gov/nchs/data/nvsr/nvsr68/nvsr68_06-508.pdf
- https://jamanetwork.com/journals/jamaneurology/article-abstract/2661302
- https://www.nejm.org/doi/full/10.1056/NEJMoa1809983