O aprendizado de máquina identifica três subtipos de Parkinson para rastrear melhor a progressão da doença

December 16, 2022 - O uso de modelos de aprendizado de máquina identificou três subtipos distintos da doença de Parkinson, que “podem ter implicações imediatas” na detecção de resultados clínicos, relataram pesquisadores no NPJ Parkinson's Disease.

“A previsão da doença e do curso da doença é um desafio crítico no aconselhamento, cuidado, tratamento e pesquisa de doenças complexas e heterogêneas. Dentro da DP, enfrentar esse desafio permitiria um planejamento adequado para pacientes e cuidados específicos para sintomas”, escreveram Anant Dadu, da Universidade de Illinois em Urbana-Champaign, e seus colegas.

O uso de modelos de aprendizado de máquina identificou três subtipos distintos da doença de Parkinson, que podem ter implicações imediatas na detecção de resultados clínicos.

Dadu e seus colegas usaram modelos de aprendizado de máquina não supervisionados e supervisionados em 294 casos da Iniciativa Marcadora de Progressão da Doença de Parkinson para identificar subtipos de pacientes e prever a progressão da doença.

Um total de 263 casos foram validados em uma coorte independente. Os autores distinguiram três subtipos distintos de doença com taxas de progressão altamente previsíveis que correspondiam a progressão lenta, moderada e rápida da doença.

Os autores relataram projeções de progressão da doença 5 anos após o diagnóstico inicial com uma área média sob a curva de 0,92 (95% CI, 0,95 + 0,01) para o grupo de progressão mais lenta, 0,87 + 0,03 para o grupo moderado e 0,95 + 0,02 para o rápido grupo.

Além disso, os autores identificaram a luz do neurofilamento sérico como um indicador significativo da progressão rápida da doença, entre outros biomarcadores importantes de interesse, escreveram eles.

“Nosso estudo baseado em dados fornece insights para desconstruir a heterogeneidade de DP”, escreveram Dadu e seus colegas. “Esta abordagem pode ter implicações imediatas para ensaios clínicos, melhorando a detecção de resultados clínicos significativos. Prevemos que os modelos de aprendizado de máquina melhorarão o aconselhamento do paciente, o design de ensaios clínicos e, por fim, o atendimento individualizado ao paciente”. Original em inglês, tradução Google, revisão Hugo. Fonte: Healio.