🔗 Kimura et al. (2025). Machine learning models for dementia screening to classify brain amyloid positivity on positron emission tomography using blood markers and demographic characteristics: a retrospective observational study. Alzheimer’s Research & Therapy, 17(1), 25. https://doi.org/10.1186/s13195-024-01650-1

📌 Resumo e Questões Estimulantes

Resumo

A identificação precoce da positividade de amiloide β (Aβ) no cérebro é essencial para diagnosticar Alzheimer (AD) e iniciar tratamentos eficazes. Este estudo utilizou modelos de aprendizado de máquina para classificar a positividade de amiloide em tomografias por emissão de pósitrons (PET), usando dados acessíveis na rotina médica, como biomarcadores sanguíneos e características demográficas.

Principais Descobertas:
✅ Modelos com dados demográficos + exames de sangue apresentaram AUC de 0.70, similar ao modelo baseado no exame Mini Mental State Examination (MMSE).
✅ A inclusão do genótipo ApoE4 aumentou a precisão para AUC de 0.76.
✅ Marcadores como TSH e MCV foram os mais relevantes para a classificação.

Questões Estimulantes

1. Como os modelos de aprendizado de máquina podem tornar a triagem para Alzheimer mais acessível?
2. Qual o impacto da inclusão de biomarcadores sanguíneos na detecção precoce da doença?
3. Quais desafios impedem a adoção ampla desses modelos na prática clínica?

🗝️ Descomplicando os Conceitos Principais

Introdução

A doença de Alzheimer (AD) é uma das principais causas de demência e está diretamente relacionada ao acúmulo de amiloide β (Aβ) no cérebro. Métodos tradicionais de detecção, como PET com Pittsburgh Compound-B (PiB-PET) e análise de líquido cefalorraquidiano (LCR), são caros e invasivos. Este estudo explora modelos de aprendizado de máquina como alternativa para prever positividade à Aβ com dados mais acessíveis.

Dimensões do Tema

• A importância da positividade à Aβ: O acúmulo de Aβ ocorre anos antes dos sintomas clínicos da AD.
• Desafios da triagem tradicional: Exames invasivos limitam o acesso ao diagnóstico precoce.
• Uso de aprendizado de máquina: Modelos computacionais analisam dados médicos comuns para prever positividade à Aβ.

Considerações Práticas

Integração Prática

• Uso na atenção primária: Modelos permitem triagem inicial sem exames invasivos.
• Redução de custos: Evita PET desnecessários, direcionando exames apenas para casos de alto risco.
• Treinamento contínuo: Algoritmos podem melhorar com mais dados clínicos.

Figura 1. Disposição do participante: 262 registros de um total de 260 participantes únicos, classificação de demência clínica CDR , comprometimento cognitivo leve MCI , tomografia por emissão de pósitrons PiB-PET 11 C-Pittsburgh Compound-B.

Figura 2. Área sob as curvas validada cruzadamente de modelos de classificação de positividade do β amilóide: regressão logística regularizada por L2.

Figura 3. Curva característica de operação do receptor da classificação de positividade do β amilóide Modelo 3: Regressão logística regularizada por L2. AUC – Área sob a curva, desvio padrão – DP

Figura 4. Importância da variável ( A ) e gráfico de resumo das explicações aditivas de Shapley ( B ): Modelo 3 de regressão logística regularizada L2. ALP fosfatase alcalina, IMC índice de massa corporal, taxa de filtração glomerular estimada de eGFR , volume corpuscular médio de MCV , MMSE Mini Exame do Estado Mental, SHAP Shapley Additive ExPlanations, TSH hormônio estimulante da tireoide, contagem de leucócitos.

Direções Futuras

• Validação externa: Necessário testar modelos com novas populações para verificar precisão.
• Uso de inteligência artificial híbrida: Combinar modelos de ML com análises humanas para decisões mais precisas.
• Expansão de biomarcadores: Investigar outros marcadores sanguíneos para melhorar previsões.

🆚 Análise Comparativa com Fontes Externas

🔗 Referências:

• Fan et al. (2024) – AmyloidPETNet
• Kim et al. (2023) – EEG-ML para Aβ
• Simfukwe et al. (2023) – ML para Aβ em PET

❌ Fact Check

• Modelos baseados em sangue podem substituir PET completamente.
  • ❌ Falso: Apesar de promissores, os modelos ainda precisam de validação externa e não substituem PET completamente.
  • 🔗 Casamitjana et al. (2018)
• ApoE4 melhora a previsão de positividade à Aβ.
  • ✅ Fato: Modelos que incluíram ApoE4 apresentaram AUC de 0.76, demonstrando melhoria na classificação.
  • 🔗 Kimura et al. (2025)
• EEG pode ser um substituto viável para PET na detecção de Aβ.
  • ❌ Falso: Estudos indicam que EEG é apenas um biomarcador complementar e não um substituto direto.
  • 🔗 Kim et al. (2021)
• Deep Learning melhora a detecção de Aβ em exames de imagem.
  • ✅ Fato: Modelos como AmyloidPETNet atingem AUC > 0.80 na classificação de Aβ.
  • 🔗 An et al. (2024)

🔍 Perspective Research (Visões Diversificadas)

1. “AmyloidPETNet: Classificação de Aβ em PET com Deep Learning”(Fan et al., 2024)
   • Utiliza redes neurais profundas para classificar positividade de amiloide em imagens PET.
   • 🔗 DOI: 10.1148/radiol.231442
2. “Algoritmo de Machine Learning para EEG predizer patologia amiloide”(Kim et al., 2023)
   • Abordagem inovadora utilizando EEG e aprendizado de máquina para prever positividade Aβ.
   • 🔗 DOI: 10.1038/s41598-023-36713-0
3. “Deep Learning para detecção de Aβ e Tau”(Lew et al., 2023)
   • Avalia a combinação de biomarcadores Aβ, Tau e neurodegeneração em exames de imagem.
   • 🔗 DOI: 10.1148/radiol.222441
4. “ML para prever positividade amiloide em adultos cognitivamente normais”(Petersen et al., 2022)
   • Modelo treinado com dados do estudo A4, focado em detecção precoce.
   • 🔗 DOI: 10.1212/WNL.0000000000200553
5. “Aprendizado profundo para triagem de Alzheimer com MRI”(Casamitjana et al., 2018)
   • Modelos de IA aplicados a imagens de ressonância magnética para predição de AD.
   • 🔗 DOI: 10.3233/JAD-180299

📌 Conclusão e Recomendações

Conclusão Geral

Os modelos de aprendizado de máquina demonstram potencial real para a triagem de Alzheimer, reduzindo custo e invasividade.

Recomendações Práticas

• Médicos: Testar a integração de modelos em práticas clínicas.
• Pesquisadores: Melhorar modelos com mais dados e validação externa.
• Empresas: Desenvolver soluções híbridas de IA para diagnóstico médico.

📋 FAQ: Perguntas Frequentes

1. Esses modelos podem ser usados na clínica hoje?
   Ainda não, mas mostram grande potencial para o futuro.
2. ApoE4 é obrigatório para previsão da Aβ?
   Não, mas melhora a precisão dos modelos.

📄 Acesse o Artigo Completo Aqui

🔗 Leia o estudo completo