Desenvolvimento de uma Ferramenta de Software, Utilizando Inteligência Artificial, que Integra Dados Clínicos, Biológicos, Genéticos e de Imagem para Predizer Diagnóstico e Evolução de Pacientes Deprimidos para Melhorar o Prognóstico e Limitar os Custos de Saúde.

Com base em evidências robustas da literatura, os pesquisadores levantam a hipótese da presença de fundamentos neurobiológicos específicos da doença para transtorno bipolar e unipolar, que podem servir como biomarcadores para diagnóstico diferencial. No entanto, as abordagens de comparação de grupos adotadas na pesquisa psiquiátrica falham em traduzir o conhecimento emergente para a rotina diagnóstica.

Como os médicos podem prever o diagnóstico diferencial e a resposta ao tratamento usando o conhecimento de ponta obtido na última década? Como um conhecimento tão amplo pode ser útil e aplicável na prática clínica? Com este projeto, os pesquisadores propõem uma solução para esses desafios desenvolvendo uma ferramenta de software que integra os dados clínicos, biológicos, genéticos e de imagem disponíveis para prever o diagnóstico e o resultado de novos pacientes individuais.

A plataforma de apoio à decisão irá empregar inteligência artificial, nomeadamente técnicas de machine learning, que serão “treinadas” através de dados de forma a prever a categoria a que pertence uma nova observação. Ao fazer isso, conjuntos de dados multimodais existentes e recém-adquiridos de pacientes bipolares e unipolares serão traduzidos em preditores para diagnóstico e prognóstico personalizados do paciente.

O projeto pode ter um grande impacto na comunidade psiquiátrica e no sistema de saúde. A identificação de biomarcadores preditivos para UD e BD fornecerá uma ferramenta essencial nos estágios iniciais da doença, garantindo um diagnóstico preciso, melhorando o prognóstico e limitando os custos de saúde.

Os investigadores irão recrutar 80 pacientes bipolares, 80 pacientes unipolares e 80 controles saudáveis ​​para o estudo de ressonância magnética. Dados clínicos, genéticos e de inflamação serão adquiridos de todos os indivíduos.

Os seguintes dados serão obtidos: idade, sexo, número de episódios, recorrência, idade de início da doença, psicose ao longo da vida, familiaridade com TB ou UD, tentativa de suicídio, medicação, pontuação no HDRS, Inventário de Depressão de Beck e bateria BACS.

A ressonância magnética será realizada em scanners Tesla 3.0. As aquisições de ressonância magnética incluirão sequências SE EPI DTI, 3D MPRAGE e fMRI ponderadas em T1 durante o estado de repouso e um paradigma de correspondência facial, que anteriormente permitia definir a conectividade no transtorno de humor.

Amostras de sangue serão coletadas e o plasma será extraído e armazenado a -80. As citocinas pró e anti-inflamatórias serão medidas usando o Bioplex human cytokines 27-plex.

Variantes genéticas associadas consideradas para diagnóstico diferencial serão avaliadas utilizando o Infinium PsychArray-24 BeadChip. Este microarray econômico e de alta densidade foi desenvolvido em colaboração com o Psychiatric Genomics Consortium para estudos genéticos em larga escala focados na predisposição e risco psiquiátricos.

A relevância das características únicas clínicas, genéticas, moleculares e baseadas em imagens como assinaturas de transtorno bipolar e unipolar serão avaliadas considerando a literatura de ponta e estimadas em um conjunto de dados independente já existente (30 indivíduos por grupo). Análises de modelo linear geral seguidas de testes t bilaterais serão usadas para identificar se cada parâmetro difere significativamente entre os grupos, enquanto remove a contribuição de idade, sexo, duração da doença e outros fatores de confusão.

Um algoritmo de aprendizado de núcleo múltiplo (MKL) projetará os recursos de várias fontes para um espaço de dimensão superior, onde os três grupos de assuntos serão separados ao máximo. Os recursos selecionados serão usados ​​separadamente e em combinação. Os efeitos incômodos de idade, sexo, duração da doença e sistema de ressonância magnética serão corrigidos durante a fase de treinamento do algoritmo. O classificador MKL será testado usando uma estratégia de validação cruzada aninhada k-fold com ajuste de hiperparâmetros. O conjunto de dados de treinamento já está disponível e inclui cerca de 550 indivíduos.

A arquitetura do software será projetada em ambiente Matlab integrando métodos quantitativos de imagem, algoritmo de aprendizado de máquina e análises estatísticas como módulos separados em uma interface amigável, o que facilitará o compartilhamento de recursos computacionais na comunidade clínica.