Um novo estudo
realizado por pesquisadores do Centro de Pesquisa de Neurociências em St.
George identificou os pontos fortes e as limitações de diferentes tarefas
usadas para detectar os primeiros sinais da doença de Alzheimer, por meio da
análise da fala e do aprendizado de máquina. Publicado na revista Frontiers in
Computer Science, o estudo demonstra que, embora o aprendizado de máquina possa
ser usado para avaliar padrões de fala em busca de sinais de doença, a tarefa
específica atribuída à pessoa que está sendo testada desempenha um papel
crítico na precisão do teste.
Pesquisas anteriores
do grupo mostraram que a doença de Alzheimer afeta a linguagem muito cedo na
doença e, portanto, as avaliações da linguagem podem ser usadas para detectar a
doença em um estágio inicial. Quanto mais cedo for captado, mais cedo podem ser
consideradas intervenções para ajudar o paciente.
Este último estudo
acrescenta evidências ao buscar avaliar as medidas e tarefas que podem ser
usadas para testar a doença de Alzheimer. Ao gravar o áudio das tarefas
realizadas pelos participantes, a equipe de pesquisa empregou um programa de
aprendizado de máquina, desenvolvido na St. George's, para avaliar sinais de
doença.
As tarefas usadas no
estudo representam uma variedade de métodos usados em cenários de saúde. Uma das abordagens mais comuns usadas pelos médicos é
pedir aos pacientes que descrevam uma cena conhecida como "roubo de
biscoitos". Outras abordagens incluem pedir ao paciente para narrar uma
história aprendida, como contos de fadas bem conhecidos, como Cinderela - uma
tarefa complexa, que exige que eles integrem uma série de personagens e eventos
em uma linha do tempo que eles possam lembrar.
Para este estudo, os
pesquisadores usaram as avaliações acima, bem como a recordação processual
(recontando como fazer uma xícara de chá), recontagem de narrativa (descrevendo
uma história a partir de imagens apresentadas em um livro de contos infantis
sem palavras) e discurso coloquial (dando instruções para outra pessoa,
descrevendo uma rota por meio de pontos de referência em um mapa), para detectar
sinais de Alzheimer por meio da análise da fala.
Depois de avaliar os
resultados de 50 participantes do ensaio (25 com doença de Alzheimer leve ou
comprometimento cognitivo leve e 25 controles saudáveis), a equipe descobriu
que narrar uma história aprendida demais, como Cinderela, deu os resultados
mais precisos. O sistema de aprendizado de máquina usado, foi capaz de
identificar se um participante tinha Alzheimer ou deficiência cognitiva leve
com 78% de precisão, com a tarefa "roubo de biscoito" logo atrás em
76% - resultados que são comparáveis aos testes existentes para a doença. As
outras tarefas avaliadas deram precisões variando entre 62% (nova narrativa) e
74% (rememoração do procedimento).
"Nossos
resultados mostram que, ao alterar as tarefas usadas para avaliar o Alzheimer,
temos o potencial de detectar a doença com maior precisão por meio da análise
da fala", diz o autor do estudo e doutorando no último ano, estudante em
St. George's, Natasha Clarke.
Rubens De Fraga Júnior - professor titular da disciplina de
gerontologia da Faculdade Evangélica Mackenzie do Paraná. Médico especialista
em geriatria e gerontologia pela SBGG.
Fonte: Natasha Clarke et al, A Comparison of Connected Speech
Tasks for Detecting Early Alzheimer's Disease and Mild Cognitive Impairment
Using Natural Language Processing and Machine Learning, Frontiers in Computer
Science (2021). DOI: 10.3389/fcomp.2021.634360
Nenhum comentário:
Postar um comentário