App pode sinalizar Alzheimer em conversas telefônicas

Alguém usando um smartphone azul

  • Atualmente, faltam testes baratos, acessíveis e confiáveis ​​para diagnosticar a doença de Alzheimer em um estágio inicial.
  • Pessoas com a doença tendem a falar mais devagar e com pausas mais longas.
  • Em um estudo recente, os pesquisadores usaram o aprendizado de máquina para desenvolver modelos que usam os recursos acústicos das conversas de uma pessoa para identificar se ela pode ter a doença de Alzheimer no início.
  • Se mais testes forem bem-sucedidos, os modelos podem ajudar a identificar os estágios iniciais da doença por meio de um aplicativo de smartphone ou online.

A doença de Alzheimer envolve degeneração progressiva nas partes do cérebro que governam os pensamentos, a memória e a linguagem.

Os Centros de Controle e Prevenção de Doenças (CDC) relatam que, em 2020, até 5.8 milhões de pessoas nos Estados Unidos viviam com a doença.

A pesquisa sugere que o diagnóstico precoce é importante porque fornece a oportunidade para os médicos iniciarem intervenções clínicas o mais rápido possível para controlar os sintomas da pessoa.

No entanto, nenhuma ferramenta barata, amplamente acessível e confiável está atualmente disponível para diagnosticar a doença de Alzheimer durante seu estágio pré-clínico.

Um possível indicador de diagnóstico pode ser que, na conversa do dia-a-dia, as pessoas com a doença tendem a falar mais devagar, parando para tentar encontrar as palavras certas. Como resultado, sua fala pode carecer de fluência em comparação com pessoas sem a condição.

Cientistas da McCann Healthcare Worldwide, da Tokyo Medical and Dental University, da Keio University e da Kyoto University no Japão raciocinaram que um modelo totalmente automatizado poderia usar recursos acústicos da fala, como pausas, tom e intensidade da voz, para prever quem provavelmente se desenvolverá Doença de Alzheimer.

Eles usaram o aprendizado de máquina para criar modelos que eles acreditam que poderiam ser tão bons ou até melhores do que um teste padrão que os médicos usam para diagnosticar a doença.

Os cientistas relataram seus resultados no PLOS ONE.

Algoritmos de aprendizado de máquina

A equipe usou três algoritmos de aprendizado de máquina para analisar dados de voz de 24 pessoas com doença de Alzheimer e 99 pessoas sem, todas com 65 anos ou mais.

As gravações de áudio vieram de um programa de saúde pública em Hachioji, que envolvia participantes conversando ao telefone sobre mudanças no estilo de vida para reduzir o risco de demência.

Como parte do programa, os participantes também foram submetidos à versão japonesa de um teste padrão de funcionamento cognitivo denominado Entrevista por Telefone para Status Cognitivo (TICS-J).

Para o novo estudo, os cientistas usaram recursos vocais de algumas das gravações de áudio para treinar os algoritmos de aprendizado de máquina para diferenciar entre pessoas com doença de Alzheimer e controles.

Eles usaram o restante das gravações para avaliar o desempenho dos modelos resultantes.

Um dos modelos, que foi baseado em um algoritmo chamado de reforço de gradiente extremo (XGBoost), teve melhor desempenho do que o TICS-J, embora a diferença entre os dois não tenha atingido o limite de significância estatística.

Alimentar o modelo com vários arquivos de áudio de cada indivíduo aumentou a confiabilidade de suas previsões.

Tanto o XGBoost quanto o TICS-J tiveram uma pontuação de sensibilidade de 100%, o que significa que não houve falsos negativos - todos os participantes que os testes identificaram como não tendo a doença de Alzheimer não tinham a doença.

O XGBoost também obteve uma pontuação perfeita para especificidade, o que significa que não houve falsos positivos, e todas as pessoas que definiu como tendo a doença de Alzheimer eram de fato pessoas com essa condição. Em comparação, o TICS-J pontuou apenas 83.3%.

Em outras palavras, 16.7% dos participantes que o TICS-J julgou ter a doença de Alzheimer realmente apresentavam boa saúde cognitiva.

Os pesquisadores dizem que os desenvolvedores podem incorporar seu modelo em sites ou aplicativos móveis, permitindo que o público em geral o acesse por conta própria.

Eles acreditam que tal ferramenta preditiva poderia orientar as pessoas nos estágios iniciais da doença a procurar ajuda profissional.

Eles concluem:

“Nossa conquista em prever bem [a doença de Alzheimer] usando apenas recursos vocais de conversas diárias indica a possibilidade de desenvolver uma ferramenta de pré-triagem para [a doença de Alzheimer] entre a população em geral que seja mais acessível e de menor custo.”

“Estamos planejando conduzir este teste novamente com um tamanho de amostra maior no novo campo até o final deste ano, a fim de validar ainda mais nossos resultados”, disse o autor principal Akihiro Shimoda da McCann Healthcare Worldwide em Tóquio.

“A McCann Health deseja melhorar ainda mais este método de triagem diagnóstica para desenvolver seu próprio serviço chamado 'Dearphone', que visa contribuir para a prevenção e detecção precoce da demência”, disse ele ao "Detonic.shop".

Ele disse que, ao lado de aplicativos e plataformas online, os desenvolvedores podem incorporar seu modelo a um serviço telefônico convencional para idosos que não usam smartphone ou computador.

“Na verdade, estamos em busca de um parceiro que possa colaborar conosco para desenvolver e implementar nosso modelo para a sociedade”, acrescentou.

Limitações do estudo

Uma das principais limitações do estudo foi usar dados de áudio de pessoas que já haviam recebido o diagnóstico de doença de Alzheimer.

Para confirmar se o modelo funciona, os pesquisadores precisariam testá-lo em uma amostra maior da população geral e segui-los ao longo do tempo para ver quem desenvolveu a doença.

Os autores observam algumas outras limitações de seu trabalho. Por exemplo, o estudo não diferenciou pessoas com doença de Alzheimer e pessoas com comprometimento cognitivo leve, que podem ter características de fala diferentes. Além disso, o tamanho da amostra foi relativamente pequeno.

Eles também observam que um modelo futuro poderia incorporar o conteúdo da fala e a estrutura da frase para melhorar seu desempenho.