O uso do aprendizado de máquina no auxílio da classificação da doença de Parkinson por meio de testes funcionais

Abstract

A doença de Parkinson (DP) é um distúrbio motor com alta prevalência entre pessoas idosas; afeta aspectos cognitivos, sociais e psicológicos, além dos prejuízos físico- motores inerentes da doença (POEWE, 2017). Tanto o diagnóstico quanto o monitoramento da progressão da doença se dão através da combinação de exames motores que quantificam o acometimento da DP (BRASIL, 2010). Neste sentido, os testes funcionais vêm sendo amplamente aplicados para auxiliar no tratamento administrado (OPARA, 2017), bem como o uso de tecnologias avançadas, como é o caso do aprendizado de máquina (ZHAN, 2018). Assim, o objetivo desta tese foi verificar a possibilidade do auxílio na predição de classificação da doença de Parkinson a partir de aspectos funcionais de pessoas acometidas, utilizando técnicas do aprendizado de máquina. Foram considerados os dados provenientes do Programa de Atividades Físicas para Pessoas com Doenças Neurodegenerativas (PAFPDN) da Faculdade de Educação Física da Universidade de Brasília. A amostra foi composta por 82 homens e 31 mulheres, com idade média de 64,80 (± 10,18) anos. Os aspectos funcionais foram quantificados através dos escores do Timed Up and Go Test (TUG), do 30s Chair-Stand Test (T30), do Ten Meters Walk Test (TMW), e da seção II da UPDRS. As características individuais analisadas foram idade, massa e estatura; e como aspectos clínicos, a seção III da UPDRS, além da escala de Hoehn e Yahr e do tempo de diagnóstico. Quatro classificadores de aprendizado supervisionado de máquina foram testados: SVM, SVM com data augmentation, RUSBoost e RUSBoost com data augmentation. Os aspectos funcionais, clínicos e as características individuais foram combinados e testados com diferentes valores de referência da UPDRS III para verificar a acurácia da máquina em classificar a progressão da doença. O TESTE 2 (TUG, TMW, T30 e Hohen e Yahr) e o TESTE 4 (TUG, TMW, T30, idade e tempo de diagnóstico) apresentaram a melhor avaliação de classificação considerando as métricas de Fawcett (2006), ambas utilizando a pontuação 15 na UPDRS III como valor de referência. Conclui-se, então, que é possível que aspectos funcionais possam auxiliar na predição da classificação da doença de Parkinson, utilizando técnicas do aprendizado de máquina.