Técnicas de Advanced Analytics e Machine Learning são usadas em projeto na Michael J. Fox Foundation para a detecção precoce da doença

O ator Michael J. Fox é conhecido mundialmente pelos papeis marcantes que interpretou no cinema e na TV, entre os quais estão Marty McFly da trilogia De Volta Para o Futuro, Mike Flaherty, da série Spin City, e Lewis Canning, em The Good Wife. Ainda bem jovem, aos 29 anos, Fox anunciou para o mundo a sua luta contra o Mal de Parkinson, diagnosticado após investigar uma contração involuntária no dedo.

Hoje, aos 57 anos, ele lida com a doença em uma fase já evoluída, o que o faz sentir tremores e rigidez por todo o lado esquerdo de seu corpo, a ponto de fazê-lo acordar tremendo, de forma incontrolável. Mas Fox não está sozinho. O Mal de Parkinson é uma das doenças degenerativas mais comuns e que afeta mais de 10 milhões de pessoas em todo o mundo. Por isso, Fox usou sua fama em busca da cura, e desde 2000 está à frente da Michael J. Fox Foundation for Parkinson Research, que até agora já financiou mais de US$ 750 milhões em pesquisas de novos tratamentos.

Projeto consiste na coleta de uma ampla gama de dados de pacientes, que são analisados, com a finalidade de acelerar o diagnóstico da doença

Desde 2011, tanto o Machine Learning quanto a análise de dados avançada desempenham um papel significativo em um dos projetos da fundação apoiados pelo SAS, o Parkinson’s Progression Markers Initiative (PPMI). Ele consiste na coleta de uma ampla gama de dados de pacientes, que são analisados, com a finalidade de acelerar o diagnóstico da doença. O objetivo do projeto é desenvolver melhores tratamentos para a doença.

Diagnóstico difícil

O Mal de Parkinson destrói de forma progressiva a capacidade do paciente de controlar seus movimentos e causa problemas como depressão e ansiedade. O diagnóstico precoce é fundamental para a aplicação de tratamentos que permitam monitorar e retardar a progressão da doença.

Ainda não há um teste definitivo que permita fazer esse diagnóstico em seus estágios iniciais. Uma vez que os médicos só conseguem fazer uma avaliação com base em sintomas motores, como tremores, rigidez, lentidão de movimentos e instabilidade na postura, os primeiros sinais só costumam aparecer de forma tardia, levando entre cinco e 20 anos para que isso aconteça.

O início do tratamento com a doença já em estágio avançado é pouco benéfico para os pacientes. Para fazer um diagnóstico precoce, os cientistas precisam recorrer a biomarcadores válidos – substâncias mensuráveis no sangue, na urina, nas células, no DNA ou em outras partes do corpo -, que podem ser usados para a identificação precoce, possibilitando o acompanhamento de sua progressão ao longo do tempo.

O projeto PPMI foi desenvolvido justamente para ajudar os cientistas a definir os biomarcadores com maior probabilidade de prever a progressão da doença em vários pontos e de forma simultânea. “Mais de mil pacientes que sofrem hoje com o Mal de Parkinson participaram do estudo”, diz Anya McGuirk, desenvolvedora estatística especializada em Pesquisa de Distinção do SAS. “Ele foi feito em 33 cidades nos Estados Unidos, na Europa, em Israel e na Austrália, durante quatro anos e meio. Nesse período, os pesquisadores coletaram vários dados clínicos e de imagem dos pacientes ao longo de 11 visitas.”

Em cada visita, os médicos analisaram todos os sintomas conhecidos, fazendo avaliações clínicas e comportamentais. Os testes incluíram a realização de exames cerebrais por imagem e a coleta de amostras de plasma, urina, líquido cefalorraquidiano, DNA, RNA, entre outros. Os resultados foram combinados em uma escala de pontos que indicava a gravidade da doença em cada paciente.

Análise de dados e Machine Learning

McGuirk e outros dois cientistas de dados usaram os dados do projeto e aplicaram diversas técnicas de Machine Learning para desenvolver um modelo que pudesse prever a progressão da doença em novos pacientes. O modelo analítico do SAS fez essa previsão com base nas pontuações dos testes, usando as informações da avaliação inicial e das visitas seguintes, além de ajudar a determinar quais biomarcadores eram mais importantes e descobrir outros novos.

“No passado, os pesquisadores usaram modelos convencionais de Machine Learning, que exigem a criação de um modelo separado para cada uma das 11 visitas ao paciente. Mas o Mal de Parkinson é progressivo e os resultados obtidos na primeira visita estão relacionados às outras seguintes. O PPMI foi único projeto que fez uso de um modelo de regressão de aprendizado multitarefa que avalia os dados de todas as visitas, de forma simultânea.”

Levando em consideração a relação existente entre várias tarefas, esse tipo de aprendizado melhora todo o desempenho do modelo. “Digamos que os dados obtidos durante uma visita estejam confusos, resultados de um desleixo na hora de coletar as amostras, por exemplo. Se a prevenção da doença for feita com base nessa única visita, a leitura dos dados será imprecisa”, diz McGuirk.

Em busca da cura

O modelo desenvolvido pela equipe de McGuirk mostrou-se capaz de obter previsões melhores do que aquelas desenvolvidas pelos métodos convencionais. Dessa forma, os médicos tornam-se capazes de iniciar o tratamento o quanto antes, gerando um impacto muito maior.

Além disso, a equipe conseguiu validar alguns biomarcadores já estabelecidos e descobrir outros novos, capazes de fazer a separação entre indivíduos saudáveis e portadores da doença. A equipe de McGuirk descobriu, por exemplo, que o colesterol alto indicava um risco menor de desenvolver o Mal de Parkinson, enquanto que a combinação de dados de RNA, plasma, imagens do cérebro e avaliações não motoras eram importantes para prever a progressão da doença. Com isso, é possível que os pesquisadores consigam agilizar o desenvolvimento de tratamentos mais eficazes e até mesmo a cura em pacientes de longa data, como é o caso de Michael J. Fox.