Um novo estudo realizado por pesquisadores do Centro de Pesquisa de Neurociências em St. George identificou os pontos fortes e as limitações de diferentes tarefas usadas para detectar os primeiros sinais da doença de Alzheimer, por meio da análise da fala e do aprendizado de máquina. Publicado na revista Frontiers in Computer Science, o estudo demonstra que, embora o aprendizado de máquina possa ser usado para avaliar padrões de fala em busca de sinais de doença, a tarefa específica atribuída à pessoa que está sendo testada desempenha um papel crítico na precisão do teste.
Pesquisas anteriores do grupo mostraram que a doença de Alzheimer afeta a linguagem muito cedo na doença e, portanto, as avaliações da linguagem podem ser usadas para detectar a doença em um estágio inicial. Quanto mais cedo for captado, mais cedo podem ser consideradas intervenções para ajudar o paciente.
Este último estudo acrescenta evidências ao buscar avaliar as medidas e tarefas que podem ser usadas para testar a doença de Alzheimer. Ao gravar o áudio das tarefas realizadas pelos participantes, a equipe de pesquisa empregou um programa de aprendizado de máquina, desenvolvido na St. George’s, para avaliar sinais de doença.
As tarefas usadas no estudo representam uma variedade de métodos usados em cenários de saúde. Uma das abordagens mais comuns usadas pelos médicos é pedir aos pacientes que descrevam uma cena conhecida como “roubo de biscoitos”. Outras abordagens incluem pedir ao paciente para narrar uma história aprendida, como contos de fadas bem conhecidos, como Cinderela – uma tarefa complexa, que exige que eles integrem uma série de personagens e eventos em uma linha do tempo que eles possam lembrar.
Para este estudo, os pesquisadores usaram as avaliações acima, bem como a recordação processual (recontando como fazer uma xícara de chá), recontagem de narrativa (descrevendo uma história a partir de imagens apresentadas em um livro de contos infantis sem palavras) e discurso coloquial (dando instruções para outra pessoa, descrevendo uma rota por meio de pontos de referência em um mapa), para detectar sinais de Alzheimer por meio da análise da fala.
Depois de avaliar os resultados de 50 participantes do ensaio (25 com doença de Alzheimer leve ou comprometimento cognitivo leve e 25 controles saudáveis), a equipe descobriu que narrar uma história aprendida demais, como Cinderela, deu os resultados mais precisos. O sistema de aprendizado de máquina usado, foi capaz de identificar se um participante tinha Alzheimer ou deficiência cognitiva leve com 78% de precisão, com a tarefa “roubo de biscoito” logo atrás em 76% – resultados que são comparáveis aos testes existentes para a doença. As outras tarefas avaliadas deram precisões variando entre 62% (nova narrativa) e 74% (rememoração do procedimento).
“Nossos resultados mostram que, ao alterar as tarefas usadas para avaliar o Alzheimer, temos o potencial de detectar a doença com maior precisão por meio da análise da fala”, diz o autor do estudo e doutorando no último ano, estudante em St. George’s, Natasha Clarke.
Fonte: Natasha Clarke et al, A Comparison of Connected Speech Tasks for Detecting Early Alzheimer’s Disease and Mild Cognitive Impairment Using Natural Language Processing and Machine Learning, Frontiers in Computer Science (2021). DOI: 10.3389/fcomp.2021.634360
Rubens De Fraga Júnior é professor titular da disciplina de gerontologia da Faculdade Evangélica Mackenzie do Paraná. Médico especialista em geriatria e gerontologia pela Sociedade Brasileira de Geriatria e Gerontologia (SBGG)
