IA NA DETECÇÃO PRECOCE DA DOENÇA DE ALZHEIMER: DA IMAGEM CEREBRAL AO BIOMARCADOR DIGITAL

Resumo

Introdução: A detecção precoce da Doença de Alzheimer (DA) é essencial para retardar a progressão e preservar a qualidade de vida. Nesse sentido, a Inteligência Artificial (IA) mostra- se promissora ao identificar padrões sutis antes dos sintomas. Duas abordagens menos invasivas se destacam: a análise de imagens, como a ressonância magnética (RM), detectando alterações estruturais, e os biomarcadores digitais (BMDs), avaliando sinais de comportamento e linguagem, como pausas, lentidão e alterações na fala ou escrita Objetivo: Analisar os avanços e desafios da IA na detecção precoce da DA, considerando imagens cerebrais e BMDs Método: Trata-se de uma revisão de literatura pela estratégia PVO (População, Variável e Desfecho), com a pergunta: "Quais avanços e limitações existem no uso da IA na detecção precoce da DA?". A busca foi realizada na base de dados MEDLINE/PubMed, utilizando operadores booleanos ("AND" e "OR") combinados com termos MeSH. Incluíram-se artigos sobre IA aplicada à neuroimagem ou BMDs Resultados: A IA tem sido aplicada de forma promissora na análise de neuroimagem e de BMDs. Na neuroimagem, os modelos foram capazes de inferir status de biomarcadores como amiloide e tau e de identificar alterações discretas relacionadas à idade cerebral. Nos BMDs, destacaram-se mudanças em fluência, pausas e complexidade da fala como potenciais indicadores de declínio cognitivo inicial. Esses achados sugerem que tanto exames de imagem quanto BMDs podem detectar alterações iniciais da DA. Avanços recentes incluem o uso de redes neurais profundas capazes de processar informações hierarquicamente e de identificar padrões complexos. A integração dessas redes com dados de ressonância magnética, informações clínicas e genéticas mostra potencial para prever alterações em biomarcadores da doença, indicando utilidade no diagnóstico precoce. Apesar do potencial, a maioria dos estudos carece de padronização, comparação e validação clínica, limitando sua aplicação. Outro desafio é a dependência de bases de dados únicas: muitos modelos não são testados em populações externas, o que aumenta o risco de sobreajuste, perdendo acurácia em novos contextos Conclusão: A IA é uma ferramenta promissora para identificar precocemente alterações na DA, integrando imagens e sinais digitais, o que favorece o diagnóstico menos invasivo e o monitoramento contínuo. No entanto, limitações metodológicas, escassez de estudos e falta de padronização ainda dificultam sua aplicação