Exame Neurológico Remoto Autoadministrado Utilizando Aplicação Móvel em Doentes com Tumores Cerebrais (NEMO)

A aplicação móvel "Iskhaa" será desenvolvida em colaboração com a Divisão de Eletrónica, Bhabha Atomic Research Centre (BARC). A aplicação será compatível com a versão Android 8.0 ou superior. O software terá dois componentes - aplicação móvel (para doentes e prestadores de cuidados de saúde) e uma aplicação de desktop (para prestadores de cuidados de saúde). Os dados registados através da aplicação serão armazenados num servidor hospitalar seguro acessível através da rede hospitalar. A amostra de diferentes características clínicas a serem registadas pela aplicação está incluída no Anexo A. A aplicação móvel será inicialmente desenvolvida em inglês e subsequentemente traduzida para hindi, marata e bengali em versões atualizadas ao longo dos primeiros 3-6 meses. Vídeos pré-gravados serão utilizados para orientar os doentes na repetição das ações que serão registadas para exame neurológico. Exemplos de tais instruções incluirão fala (doente solicitado a falar frases fixas), marcha, por exemplo, caminhar 20 passos, marcha em tandem para verificar a função cerebelar, levantar membros individuais, etc. Além disso, o questionário central de qualidade de vida da Organização Europeia para Investigação e Tratamento do Cancro (EORTC) (QLQ-C30) e o módulo de cancro cerebral (BN20) estarão disponíveis na aplicação móvel. Os sintomas registados serão armazenados numa base de dados segura, e os investigadores do estudo terão acesso para os rever utilizando as aplicações móveis ou de desktop. Uma vez concluída uma avaliação (presencial ou virtual), os dados serão atualizados eletronicamente no local central situado no Tata Memorial Centre, e o investigador receberá um lembrete. A atualização de versão para melhorar a interface da aplicação para melhor conformidade do utilizador e atualizações de software serão realizadas periodicamente conforme necessário. Uma amostra da interface da aplicação é fornecida no diagrama abaixo.

Doentes com idade superior a 5 anos com diagnóstico de tumor cerebral, com uma expectativa de vida esperada superior a 6 meses, e capazes de seguir as instruções da aplicação móvel serão rastreados para o estudo. Serão recrutados após assinatura de um consentimento escrito ou formulário de assentimento, conforme apropriado. A fase inicial do estudo incluirá uma avaliação presencial de 100 doentes que serão obrigados a utilizar a aplicação móvel para avaliar sintomas e gravar vídeos para avaliação funcional neurológica. Nesta fase, a aplicação será instalada em telemóveis específicos (não pertencentes ao doente). Após realizar a avaliação, todos os doentes serão avaliados pelo médico responsável na clínica, que seguirá protocolos padrão. Será realizado um exame neurológico detalhado para cobrir todos os aspetos dos sintomas e avaliação funcional, conforme disponível na aplicação móvel. O principal objetivo da avaliação no local é fornecer qualquer suporte técnico para a utilização da aplicação pela equipa interna antes da instalação em dispositivos móveis dos doentes para permitir uma transição e utilização perfeitas. A segunda fase da avaliação incluirá 500 doentes que realizarão o exame virtual (fora do local). A aplicação móvel será instalada nos telemóveis individuais quando for obtido consentimento para participação no estudo. Os doentes serão obrigados a realizar avaliações mensais em casa com lembretes configurados para realizar as avaliações atempadas, e serão contactados por telefone em caso de atraso superior a 7 dias na realização da avaliação. Doentes e cuidadores poderão gravar e carregar o vídeo utilizando a câmara do telemóvel. Além disso, os doentes serão instruídos a realizar autoavaliações (não programadas) em caso de agravamento sintomático. Os doentes continuarão o acompanhamento na clínica para avaliação física a cada 3-6 meses, de acordo com a prática institucional padrão, e imagiologia agendada a cada 6-12 meses específica para o diagnóstico histológico ou conforme exigido clinicamente em caso de agravamento neurológico, conforme decidido pelo médico responsável, sem qualquer influência da participação no estudo.

Todos os dados concluídos estarão disponíveis para os investigadores do estudo recuperarem. A avaliação da sintomatologia será apresentada como estatística descritiva e as alterações seriais serão analisadas. Os dados registados através da aplicação serão correlacionados com a avaliação do médico durante cada consulta clínica. Será realizada análise computacional para todas as tarefas individuais realizadas pelo doente e registadas em formato de vídeo. O funcionamento neurológico (por exemplo, marcha e movimento) será registado utilizando algoritmos de inteligência artificial com um modelo híbrido que combina redes neuronais convolucionais (CNNs) e transformadores de visão (ViTs). Os dados de vídeo passarão por etapas de pré-processamento para extrair características relevantes, como silhuetas, representações esqueléticas ou pontos-chave de pose, utilizando ferramentas avançadas de estimativa de pose como OpenPose. Cada fotograma será processado por uma backbone CNN, como ResNet ou EfficientNet, para extrair características espaciais de baixo nível. Estas características serão então alimentadas num módulo Vision Transformer, que modelará dependências temporais globais através da sequência de fotogramas, fornecendo uma representação robusta da marcha do doente. Este quadro combinado permitirá a deteção de anomalias subtis, anormalidades ou variações na marcha, que são críticas para a monitorização clínica. O modelo será treinado e validado utilizando dados de vídeo capturados de diversas populações de doentes e cenários clínicos. Ao aproveitar a granularidade de filmagens de alta velocidade, o modelo terá como objetivo produzir resultados de alta precisão, como classificação de marcha, deteção de anomalias ou regressão de parâmetros adaptados às necessidades específicas das aplicações. A integração de técnicas de ponta, como Vision Transformers 3D para análise espaciotemporal melhorada, garantirá a robustez e generalização do modelo. Além disso, serão incorporadas metodologias de IA Explicável (XAI) para interpretar as previsões do modelo, fornecendo informações acionáveis e promovendo a confiança no sistema.