Uma abordagem de aprendizado de máquina para projetar uma triagem seletiva eficiente de comprometimento cognitivo leve

O envelhecimento populacional está aumentando a prevalência de doenças crônicas e degenerativas, especialmente as demências degenerativas, que deverão afetar mais de 131 milhões de pessoas em todo o mundo até 2050¹. Entre todas as demências degenerativas, a doença de Alzheimer (DA) é a mais comum com uma prevalência global na Europa de 6,88%². Devido à independência cada vez maior dos pacientes com DA, esse grupo deve começar a receber apoio assim que a DA começar a se manifestar. Portanto, a detecção precoce de sinais prodrômicos de DA, como comprometimento cognitivo leve (IMc), é essencial.

Mci é definido como um estágio de declínio cognitivo intermediário correspondente ao envelhecimento normal e deterioração grave devido à demência³. De acordo com estimativas de Petersen et al.⁴, a prevalência de MCI é de 8,4% entre as pessoas com idadeentre 65-69 anos e atinge 25,2% para aqueles com mais de 80 anos. O IMC resulta em indivíduos com mais dificuldades do que o esperado na execução de habilidades cognitivas de baixo nível, especialmente aquelas relacionadas à memória e à linguagem, mas não interfere nas atividades da vida diária.

O rastreamento não é sinônimo de diagnóstico; o diagnóstico de MCI será sempre uma tarefa clínica visto que os métodos da seleção podem somente nos informar que um paciente tem uma probabilidade mais elevada de sofrer desta patologia e que há uma suspeita well-founded de MCI que deva ser confirmada clìnica. Assim, os profissionais de saúde primários (médicos, farmacêuticos, enfermeiros, etc.) poderiam se beneficiar da disponibilidade de métodos de rastreamento simples (breves testes cognitivos) que podem ser aplicados em minutos. Idealmente, estes identificariam objetiva pacientes com uma probabilidade elevada de sofrer um MCI de modo que pudessem então clinicamente ser testados por médicos gerais ou especializados.

Dado que a detecção precoce do CCL está se tornando uma tarefa essencial no contexto da saúde pública, este trabalho teve como objetivo identificar quais características são úteis na identificação direcionada do MCI em testes de rastreamento de populações idosas. Esses grupos seriam então mais bem testados para MCI em testes administrados por prestadores de cuidados de saúde primários. Esta metodologia fornece uma árvore de decisão com os algoritmos apropriados para identificar os grupos populacionais para atingir.

Entre essas características, a idade é um dos fatores mais consistentes associados ao desenvolvimento dessa patologia. Outras características relevantes estão relacionadas à demografia ou estilo de vida^5. Entre estes últimos, alguns estudos identificaram a duração do sono diurno ou noturno como um fator de risco que pode levar ao diagnóstico de MCI^5,6,7,8,9. O consumo prolongado de medicamentos como benzodiazepínicos, consumidos por cerca de 20% a 25% dos idosos^10,11,também pode influenciar as horas de sono e o desenvolvimento de MCI^12,13. De fato, tratamentos prolongados para doenças crônicas podem ser características importantes úteis na pré-seleção de indivíduos com alto risco de sofrer de MCI.

Aqui, desenvolvemos modelos baseados em dados que usam algoritmos de aprendizagem automática, uma árvore de decisão e uma ferramenta preditiva para aumentar a eficiência da metodologia para detectar O MCI discriminando quais características desempenham um papel importante no início detecção de MCI. A árvore de decisão resultante apresentada aqui foi produzida usando uma coorte específica de pacientes espanhóis usando farmácias comunitárias. No entanto, esse método também seria útil entre outras populações com características diferentes.

Este trabalho foi concluído em colaboração com a atenção primária à saúde e médicos especializados. Farmácias comunitárias foram ideais para testar esse algoritmo porque estão próximas dos pacientes, têm longos horários de funcionamento e são frequentemente visitadas e consultadas. As demências degenerativas são condições complexas que nem sempre são bem compreendidas pelos prestadores de cuidados de saúde primários¹⁴. Portanto, envolver-se no processo aumentará a conscientização sobre as pessoas que sofrem de MCI e demências.