Modelo de rede neural pode prever a idade cerebral

Um modelo de rede neural profunda previu a idade cerebral dos pacientes com base em dados de eletroencefalograma (EEG) registrados durante estudos de sono durante a noite.

O modelo de inteligência artificial (IA) previu a idade do cérebro com um erro absoluto médio de 4,604 e um valor de r de Pearson de 0,933, superando o desempenho da pesquisa anterior, relatou Yoav Nygate, MS, da EnsoData em Madison, Wisconsin, no SLEEP 2021, a reunião conjunta da American Academy of Sleep Medicine e da Sleep Research Society.

O índice de idade do cérebro – idade cronológica subtraída da idade do cérebro prevista por EEG – foi associado a epilepsia e distúrbios convulsivos, acidente vascular cerebral, marcadores elevados de distúrbios respiratórios do sono (índice de apneia-hipopneia e índice de excitação) e baixa eficiência do sono.

Além disso, pessoas com diabetes, depressão, sonolência diurna excessiva e severa, hipertensão ou problemas de memória e concentração tinham um índice de idade cerebral elevado, em média, em comparação com pessoas saudáveis.

“Nós mostramos o poder da inteligência artificial para exceder as capacidades humanas e realizar tarefas que os humanos não podem”, disse Nygate. “Embora os médicos possam apenas estimar ou quantificar grosseiramente a idade de um paciente com base em seu EEG, este estudo mostra que um modelo de IA pode prever a idade de um paciente com alta precisão.”

“Uma vez que o modelo de IA foi treinado para prever a idade – um valor objetivo que não está sujeito a ruído de rótulo – qualquer divergência entre a previsão e a saída alvo está associada a artefato de sinal nos dados de entrada ou outras condições fisiológicas subjacentes”, disse.

A entrada para o modelo foi uma montagem noturna completa de EEG de oito canais e eletrooculograma (EOG). A meta de saída foi a idade cronológica dos pacientes.

Detalhes do estudo

O modelo foi treinado em 126.241 estudos clínicos do sono, validado em 6.638 estudos e testado em um conjunto de validação de 1.172 estudos. O conjunto de dados de validação incluiu várias categorias demográficas e diagnósticos de pacientes para identificar associações entre a idade do cérebro e várias condições médicas. Análises controladas para variáveis ​​como sexo e IMC.

“O primeiro resultado surpreendente é o grau de precisão com que o modelo de IA foi capaz de prever a idade de um paciente”, observou Nygate. “Um erro absoluto médio de 4,6 anos foi calculado em 1.172 pacientes, que é a taxa de erro mais baixa que observamos em comparação com os resultados publicados anteriormente em uma pesquisa exaustiva da literatura.”

“A segunda descoberta surpreendente foi quantos distúrbios do paciente, como depressão, diabetes, hipertensão, sonolência diurna excessiva e severa e baixa eficiência do sono, foram correlacionados com uma mudança na idade cerebral prevista em relação à idade cronológica dos pacientes”, disse ele .

“Não apenas recebemos mudanças estatisticamente significativas nas distribuições da idade do cérebro das populações doentes em relação às saudáveis, a direção da mudança foi bastante intuitiva”, continuou. “Por exemplo, observamos que os pacientes diabéticos têm uma idade cerebral predita média mais alta em comparação com pacientes não diabéticos e os pacientes com alta eficiência do sono têm uma idade cerebral predita média mais baixa em comparação com os pacientes com baixa eficiência do sono.”

O estudo fornece evidências iniciais do potencial da IA ​​para avaliar a idade do cérebro, observou Nygate.

“Nossa esperança é que, com a continuação da investigação, pesquisa e estudos clínicos, um índice de idade do cérebro um dia se torne um biomarcador diagnóstico da saúde do cérebro, assim como a hipertensão arterial é para riscos de derrame e outros distúrbios cardiovasculares”, disse ele.

___________________________

O estudo original foi publicado no SLEEP

* “543 EEG-Based Deep Neural Network Model for Brain Age Prediction and Its Association with Patient Health Conditions” – 2021

Autores do estudo: Yoav Nygate, Sam Rusk, Chris Fernandez, Nick Glattard, Jessica Arguelles, Jiaxiao Shi, Dennis Hwang, Nathaniel Watson – 10.1093/sleep/zsab072.541