Modelo de aprendizado de máquina prevê condições de saúde de pessoas com EM durante períodos de permanência em casa

Uma pesquisa liderada pela Carnegie Mellon University desenvolveu um modelo que pode prever com precisão como as ordens de permanência em casa, como as adotadas durante a pandemia de COVID-19, afetam a saúde mental de pessoas com distúrbios neurológicos crônicos, como a esclerose múltipla.

Pesquisadores da CMU, da Universidade de Pittsburgh e da Universidade de Washington coletaram dados dos smartphones e rastreadores de fitness de pessoas com EM antes e durante a onda inicial da pandemia. Especificamente, eles usaram os dados do sensor coletados passivamente para construir modelos de aprendizado de máquina para prever depressão, fadiga, má qualidade do sono e agravamento dos sintomas de esclerose múltipla durante o período sem precedentes de ficar em casa.

Antes do início da pandemia, a pergunta original da pesquisa era se dados digitais dos smartphones e rastreadores de fitness de pessoas com esclerose múltipla poderiam prever os resultados clínicos. Em março de 2020, como os participantes do estudo foram obrigados a ficar em casa, seus padrões de comportamento diário foram significativamente alterados. A equipe de pesquisa percebeu que os dados coletados poderiam informar o efeito das ordens de permanência em casa em pessoas com EM.

“Ele nos apresentou uma oportunidade emocionante”, disse Mayank Goel, chefe do Laboratório de Sensoriamento Inteligente para Humanos (SMASH) da CMU. “Se observarmos os dados antes e durante o período de permanência em casa, podemos identificar fatores que sinalizam mudanças na saúde das pessoas com EM?”

A equipe coletou dados passivamente ao longo de três a seis meses, coletando informações como o número de chamadas nos smartphones dos participantes e a duração dessas chamadas; o número de chamadas perdidas; e a localização dos participantes e os dados de atividade da tela. A equipe também coletou dados de frequência cardíaca, sono e contagem de passos de seus rastreadores de condicionamento físico. A pesquisa, “Prevendo resultados de esclerose múltipla durante o período de permanência em casa do COVID-19: estudo observacional usando comportamentos passivamente detectados e fenotipagem digital”, foi publicada recentemente no Journal of Medical Internet Research Mental Health. Goel, professor associado do Departamento de Software e Sistemas Sociais da Escola de Ciência da Computação (S3D) e do Instituto de Interação Humano-Computador (HCII), colaborou com Prerna Chikersal, Ph.D. estudante do HCII; Dr. Zongqi Xia, professor associado de Neurologia e diretor do Programa de Pesquisa em Neuroimunologia Translacional e Computacional da Universidade de Pittsburgh; e Anind Dey, professor e reitor da Escola de Informação da Universidade de Washington.

O trabalho foi baseado em estudos anteriores dos grupos de pesquisa de Goel e Dey. Em 2020, uma equipe da CMU publicou uma pesquisa que apresentado um modelo de aprendizado de máquina que poderia identificar a depressão em estudantes universitários no final do semestre usando dados de smartphone e rastreador de fitness. Os participantes do estudo anterior, especificamente 138 alunos do primeiro ano da CMU, eram relativamente semelhantes entre si quando comparados à população maior fora da universidade. Os pesquisadores decidiram testar se sua abordagem de modelagem poderia prever com precisão os resultados de saúde clinicamente relevantes em uma população de pacientes do mundo real com maior diversidade demográfica e clínica, levando-os a colaborar com o programa de pesquisa de MS da Xia.

Pessoas com esclerose múltipla podem experimentar várias comorbidades crônicas, o que deu à equipe a chance de testar se seu modelo poderia prever resultados adversos à saúde, como fadiga severa, má qualidade do sono e piora dos sintomas da esclerose múltipla, além da depressão. Com base neste estudo, a equipe espera avançar na medicina de precisão para pessoas com EM, melhorando a detecção precoce da progressão da doença e implementando intervenções direcionadas com base na fenotipagem digital.

O trabalho também pode ajudar a informar os formuladores de políticas encarregados de emitir futuras ordens de permanência em casa ou outras respostas semelhantes durante pandemias ou desastres naturais. Quando as ordens originais de ficar em casa COVID-19 foram emitidas, havia preocupações iniciais sobre sua impactos econômicos mas apenas uma avaliação tardia do impacto na saúde mental e física das pessoas – particularmente entre populações vulneráveis, como aquelas com condições neurológicas crônicas.

“Conseguimos capturar a mudança no comportamento das pessoas e prever com precisão os resultados clínicos quando elas são forçadas a ficar em casa por períodos prolongados”, disse Goel. “Agora que temos um modelo de trabalho, podemos avaliar quem está em risco de piorar a saúde mental ou saúde físicainformar decisões de triagem clínica ou moldar futuras políticas de saúde pública.”