Pesquisadores da Mayo Clinic propuseram um novo modelo para mapear os sintomas da doença de Alzheimer na anatomia do cérebro. Esse modelo foi desenvolvido aplicando o processo de aprendizagem de máquina a dados de imagens de cérebros de pacientes. Ele usa a função cerebral inteira, em vez de regiões ou redes específicas, para explicar a relação entre a anatomia cerebral e o processamento mental. Os achados foram relatados na revista científica Nature Communications.

“Esse novo modelo pode aprimorar nosso entendimento sobre como o cérebro funciona e falha durante o envelhecimento e a doença de Alzheimer, oferecendo novas formas de monitorar, prevenir e tratar transtornos da mente”, diz David T. Jones, M.D., neurologista da Mayo Clinic e autor principal do estudo.

 

A doença de Alzheimer tem sido descrita normalmente como um problema de processamento de proteínas. As proteínas tóxicas amiloide e tau se depositam em áreas do cérebro, causando uma falha dos neurônios que resulta em sintomas clínicos como perda de memória, dificuldade de comunicação e confusão.

Entretanto, a relação entre os sintomas clínicos, os padrões de danos cerebrais e a anatomia do cérebro não é clara. As pessoas também podem ter mais de uma doença neurodegenerativa, tornando o diagnóstico difícil. Mapear o comportamento do cérebro com esse modelo computacional pode dar uma nova perspectiva aos médicos.

O novo modelo foi desenvolvido usando medições de glicose cerebral de tomografia por emissão de pósitrons (FDG-PET) com fluorodesoxiglicose, realizada em 423 participantes do estudo com alterações cognitivas e envolvidos no Estudo da Mayo Clinic sobre envelhecimento e no Centro de Pesquisa da Doença de Alzheimer da Mayo Clinic. O FDG-PET é um exame de imagem que mostra como a glicose funciona como combustível em algumas partes do cérebro. Doenças neurodegenerativas como a doença de Alzheimer, demência com corpos de Lewy e demência frontotemporal, por exemplo, têm diferentes padrões de uso da glicose.

O modelo condensa a anatomia cerebral complexa relevante para os sintomas de demência em uma estrutura conceitual codificada por cores que mostra as áreas do cérebro associadas com transtornos neurodegenerativos e funções mentais. Os padrões de imagem exibidos no modelo estão relacionados aos sintomas apresentados pelos pacientes.

A habilidade preditiva do modelo para alterações associadas à fisiologia do Alzheimer foi validada em 410 pessoas. A validação adicional foi obtida pela projeção de uma grande quantidade de dados de síndromes normais de envelhecimento e demência direcionada a memória, funções executivas, linguagem, comportamento, movimento, percepção, conhecimento semântico e habilidades visuoespaciais.

Os pesquisadores descobriram que 51 por cento das variações nos padrões de uso da glicose nos cérebros de pacientes com demência podem ser explicadas por apenas 10 padrões. Cada paciente tem uma combinação única desses 10 padrões de glicose cerebral que está relacionada com o tipo de sintomas que ele apresenta. No trabalho de acompanhamento, o Departamento do Programa de Inteligência Artificial (IA) em Neurologia da Mayo Clinic, que é dirigido por Jones, está usando esses 10 padrões para trabalhar em sistemas de IA que ajudam a interpretar exames do cérebro de pacientes que estão em avaliação de Alzheimer e síndromes relacionadas.

 

“Esse novo modelo computacional, com maior validação e suporte, tem o potencial de redirecionar os esforços científicos para focar nas dinâmicas da biologia de sistemas complexos no estudo da mente e da demência, em vez de focar principalmente nas proteínas mal enoveladas”, diz o neurologista.

“Se as funções mentais relevantes para a doença de Alzheimer são realizadas de maneira distribuída por todo o cérebro, é necessário um novo modelo de doença como o que estamos propondo. Acreditamos que esse modelo tem o potencial de impactar diagnósticos, tratamentos e o entendimento fundamental da neurodegeneração e das funções mentais, em geral.”

Os coautores, todos da Mayo Clinic, são Val Lowe, M.D.; Jonathan Graff-Radford, M.D.; Hugo Botha, M.B., Ch.B.; Leland Barnard, Ph.D.; Daniela Wiepert; Matthew Murphy, Ph.D.; Melissa Murray, Ph.D.; Matthew Senjem; Jeffrey Gunter, Ph.D.; Heather Wiste; Bradley Boeve, M.D.; David Knopman, M.D.; Ronald Petersen, M.D., Ph.D. e Clifford Jack Jr., M.D.

Esta pesquisa foi apoiada por subsídios P30 AG62677, R01 AG011378, R01 AG041851 843, P50 AG016574, U01 AG06786 do National Institutes of Health, Elsie and Marvin Dekelboum Family Foundation, Liston Family Foundation, GHR Foundation, Alzheimer’s Association, Foundation Dr. Corinne Schuler, Race Against Dementia e Fundação Mayo para Educação Médica e Pesquisa.

Jones é o inventor em um pedido de patente que descreve técnicas de aprendizagem de máquina para leituras clínicas automatizadas de imagens médicas. Os outros autores declararam não haver conflitos de interesses.