Com publicação científica

Divulgação, Universidade Politécnica de Madri
Ilustração do experimento realizado no estudo
Por Redação SciAdvances
Fonte
Áreas
Compartilhar
Causada pela degeneração de células cerebrais que produzem dopamina, a doença de Parkinson é um distúrbio neurodegenerativo progressivo que afeta os movimentos e a qualidade de vida de milhões de pessoas em todo o mundo.
Um dos sintomas comuns em pessoas com Parkinson é a realização de movimentos mais lentos que o normal (bradicinesia), com perda progressiva na amplitude, velocidade ou força com que uma ação repetitiva é realizada.
Normalmente, essa limitação de movimentos é identificada através de uma análise clínica por especialistas. Mas cientistas também estão tentando desenvolver ferramentas que permitam essa identificação de movimentos limitados mesmo em uma situação cotidiana comum, o que poderia acelerar o diagnóstico da doença.
Pesquisadores da Universidade Politécnica de Madri (UPM), na Espanha, e da Universidade do Minho, em Portugal, propuseram uma nova abordagem para identificar a doença de Parkinson: analisar como uma pessoa bate um ovo durante um minuto enquanto usa um relógio inteligente.
A tarefa exige movimentos repetitivos de flexão-extensão e rotação do punho, a manutenção de um ritmo relativamente constante e energia de movimento sustentada ao longo do tempo.
A ideia é processar os registros de velocidade e aceleração que o relógio faz com seus sensores inerciais com um algoritmo de aprendizado de máquina para estimar a qualidade do movimento.
O estudo, publicado na revista científica Technologies, envolveu 22 pessoas com doença de Parkinson e 16 indivíduos saudáveis que atuaram como grupo controle.
Cada participante realizou a tarefa durante uma semana, inicialmente sob supervisão e posteriormente em casa, sem supervisão direta. No final da semana, o estudo foi concluído com uma sessão final supervisionada. Esse desenho permitiu comparar o desempenho do sistema tanto em um ambiente controlado quanto em condições reais normais.
Os pesquisadores destacaram que o objetivo da pesquisa não é substituir a avaliação clínica, mas verificar se uma tarefa cotidiana simples e reprodutível pode fornecer informações objetivas sobre a condição motora de uma pessoa.
Os resultados mostraram diferenças claras entre os grupos de participantes. Indivíduos com Parkinson apresentaram amplitudes menores de movimento, frequência de oscilação mais lenta e diminuição progressiva na energia do sinal ao longo da tarefa.
Esses padrões estão alinhados às manifestações clínicas de bradicinesia e foram observados nos dados coletados e analisados nos casos de Parkinson.
Com base nesses sinais, um dos modelos de aprendizado de máquina testados no estudo alcançou uma acurácia de 91,1% em condições supervisionadas. Quando o modelo foi aplicado a dados coletados em ambiente doméstico, a acurácia manteve-se em 87,8%.
Esse resultado é importante porque mostra que o modelo funciona de forma eficaz mesmo fora de um ambiente clínico.
Quando validada em estudos envolvendo grupos maiores e mais diversos, a ferramenta poderá facilitar o monitoramento de longo prazo dos sintomas motores, reduzir a necessidade de deslocamentos frequentes para avaliações clínicas e fornecer aos profissionais de saúde informações complementares sobre a evolução do paciente em seu ambiente diário.
Em suas publicações, o Portal SciAdvances tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal SciAdvances tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.
Publicidade
Últimos avanços

Laboratório do Dr. Bozhi Tian, Universidade de Chicago

Shakirov Albert via Shutterstock

Natalia Deriabina via Shutterstock
Publicidade
Publicidade
Outros avanços

Instituto de Tecnologia da Califórnia

Universidade Técnica de Munique


