quarta-feira, 12 de janeiro de 2022

Ferramenta de aprendizado de máquina aumenta a precisão do diagnóstico na doença de Parkinson

Nova ferramenta usa menos poder de processamento em um período de tempo mais curto para fornecer resultados mais precisos

Jan. 11, 2022 - Um novo estudo está analisando uma ferramenta que revoluciona a coleta de dados digitais. A análise de recorrência topológica local (LoTRA - Local topological recurrence analysis) aplica abordagens de aprendizado de máquina para examinar dados de indivíduos que vivem com distúrbios do movimento, como a doença de Parkinson.

A ferramenta, projetada pela Cumming School of Medicine Optogenetics Core Facility e pesquisadores do CaPRI (Calgary Parkinson Research Initiative) é um modelo simples de aprendizado de máquina capaz de superar os modelos de aprendizado profundo na detecção da doença de Parkinson a partir de amostras de caligrafia digitalizada. Embora as técnicas de aprendizagem profunda tenham expandido as possibilidades de facilitar a integração de sistemas de apoio à decisão na medicina clínica, elas estão associadas à complexidade computacional adicional, à necessidade de grandes conjuntos de dados e podem ter um efeito ecológico surpreendente em termos de pegada de carbono.

O LoTRA melhora significativamente a eficiência computacional da análise de dados, diminuindo a necessidade potencial de grandes quantidades de poder de computação para processar dados. O LoTRA é baseado na ideia de que os dados têm “forma” e que padrões recorrentes incorporados nessa forma podem ser identificados. Esse novo método de análise de dados significa que os dados podem ser facilmente analisados ​​por dispositivos digitais portáteis/vestíveis simples, como um tablet, já que tecnologia e infraestrutura mais complexas podem não ser necessárias para o mesmo resultado.

"Isso representa um passo importante para tornar a análise de dados acessível", diz o autor principal Dr. Taylor Chomiak, PhD.

Especialmente para comunidades rurais, a capacidade de processar dados complexos de forma eficiente, onde pode haver infraestrutura e conectividade com a Internet limitadas, tem o potencial de ser um divisor de águas para a telessaúde.

Por meio do LoTRA, a equipe do CaPRI pode identificar "biomarcadores digitais" - padrões ocultos incorporados em dados digitais que, quando identificados, permitem decisões de diagnóstico habilitadas por IA mais explicáveis, bem como a capacidade de rastrear de forma não invasiva o progresso e a eficácia de intervenções administradas por médicos Os biomarcadores digitais também são altamente vantajosos devido à facilidade de integração de dispositivos de coleta de dados na vida diária, seus recursos de coleta de dados altamente quantitativos não invasivos e baixo custo.

Amostra do teste de caligrafia digitalizada

Uma amostra do teste de caligrafia digitalizada, indicando dados de nível de superfície e dados de pressão (profundidade). Os dados são do conjunto de dados em espiral da doença de Parkinson usando o conjunto de dados do tablet gráfico digitalizado.


Repositório de aprendizado de máquina da UC Irvine

No estudo, publicado na revista Nature's Parkinson's npj Parkinson's Disease, a equipe usou dados coletados anteriormente de um teste simples de caligrafia. Com base nos biomarcadores digitais no conjunto de dados, eles conseguiram prever com precisão a presença da doença de Parkinson por meio de análise assistida por computador, tudo a partir de um exame de um único teste de desenho espiral manuscrito digitalizado. Ao contrário dos testes tradicionais de escrita em papel e lápis, os testes digitais podem permitir que mais informações sejam capturadas, como pressão de escrita, além das coordenadas x-y que podem ser usadas para ajudar a identificar formas de dados exclusivas.

As técnicas de aprendizado profundo geralmente exigem grandes quantidades de pontos de dados para fornecer resultados precisos; graças à identificação de biomarcadores digitais via LoTRA, agora podemos tirar as mesmas conclusões com menos dados, em menos tempo e com menor custo.

“Com uma ferramenta como a nossa, recebemos não apenas dados suficientes, mas também dados de alta qualidade”, diz o pesquisador Dr. Tamás Füzesi, PhD. “A ferramenta nos permite fazer melhorias na interpretação dos dados sem precisar fazer melhorias nos métodos de coleta de dados.”

Os resultados deste estudo estão lançando as bases para uma nova geração de análise assistida por IA e aprendizado de máquina, que levará a menos testes necessários para resultados iguais ou mais precisos. Isso levará a um diagnóstico mais eficiente e intervenções de tratamento mais precisas para os indivíduos que vivem com a doença de Parkison. A ferramenta também se mostra promissora para uso na análise de outros distúrbios e conjuntos de dados. Original em inglês, tradução Google, revisão Hugo. Fonte: Ucalgary.

Nenhum comentário: