# Sensores vestíveis com aprendizado de máquina podem auxiliar no diagnóstico da doença de Parkinson?

> Uma revisão sistemática recente sugere que sensores vestíveis combinados com algoritmos de aprendizado de máquina, especialmente na análise da marcha, apresentam acurácia promissora para auxiliar no diagnóstico da doença de Parkinson, oferecendo dados objetivos que podem complementar a avaliação clínica e potencialmente permitir detecção mais precoce.

Estudo citado: di Biase L, Pecoraro PM, Pecoraro G, Shah SA, Di Lazzaro V. Machine learning and wearable sensors for automated Parkinson's disease diagnosis aid: a systematic review. Journal of neurology. 2024. DOI: https://doi.org/10.1007/s00415-024-12611-x. PubMed: https://pubmed.ncbi.nlm.nih.gov/39143345/

## Resposta

A revisão sistemática teve como objetivo avaliar a literatura sobre algoritmos de aprendizado de máquina embarcados em dispositivos inteligentes para o diagnóstico da doença de Parkinson. Os autores seguiram as diretrizes PRISMA e realizaram busca no PubMed para artigos publicados entre dezembro de 2007 e julho de 2023, utilizando termos como 'doença de Parkinson', 'saudável' ou 'controle', 'diagnóstico', 'algoritmo', 'tecnologia' e 'desempenho'.

Dos 89 estudos identificados, 47 atenderam aos critérios de inclusão, e quatro estudos adicionais foram incluídos com base na expertise dos autores. A marcha foi o parâmetro mais comumente analisado pelos modelos de aprendizado de máquina, e as Máquinas de Vetores de Suporte (Support Vector Machines) foram o algoritmo predominante. Os resultados sugerem acurácia promissora com algoritmos mais complexos, como Random Forest, Support Vector Machines e K-Nearest Neighbours.

Os autores discutem que, apesar do potencial, aplicações no mundo real ainda podem enfrentar limitações. A revisão conclui que a integração de aprendizado de máquina com sensores vestíveis tem o potencial de melhorar o diagnóstico da doença de Parkinson, fornecendo aos clínicos dados objetivos que podem auxiliar na detecção mais precoce.

O resumo não fornece detalhes sobre as características das amostras, o desenho dos estudos incluídos ou as limitações específicas de cada um. Portanto, não é possível avaliar a qualidade metodológica dos estudos primários ou a aplicabilidade dos achados em diferentes contextos clínicos.

Para o médico, esses achados indicam que ferramentas baseadas em sensores vestíveis e aprendizado de máquina podem, no futuro, complementar a avaliação clínica, mas ainda não estão prontas para uso rotineiro. A implementação exigirá validação em populações diversas e consideração de aspectos práticos, como custo e treinamento.

## O que o estudo mostrou

Trata-se de uma revisão sistemática que seguiu as diretrizes PRISMA e buscou artigos no PubMed publicados entre dezembro de 2007 e julho de 2023. Dos 89 estudos identificados, 47 preencheram os critérios de inclusão, e quatro foram adicionados por expertise dos autores. A marcha foi o parâmetro mais analisado, e as Support Vector Machines, o algoritmo predominante. Algoritmos como Random Forest, Support Vector Machines e K-Nearest Neighbours mostraram acurácia promissora. O resumo não informa o número total de participantes nem as características das amostras.

## Limitações

O resumo não detalha as limitações dos estudos incluídos, como viés de seleção, heterogeneidade das amostras ou falta de validação externa. Também não informa o número de participantes, os critérios de diagnóstico utilizados ou a aplicabilidade dos resultados em diferentes populações. Além disso, os autores mencionam que aplicações no mundo real ainda podem enfrentar limitações, mas não as especificam.

## Aplicação no consultório

Os achados ainda não permitem incorporar sensores vestíveis e aprendizado de máquina na rotina diagnóstica. O médico deve manter a avaliação clínica como padrão, ciente de que essas tecnologias são promissoras, mas carecem de validação. Na gestão do consultório, investimentos em tais ferramentas devem aguardar evidências mais robustas e diretrizes claras, evitando custos precoces sem benefício comprovado.

## Perguntas para aprofundar

- Qual o papel da análise da marcha com sensores vestíveis no diagnóstico diferencial da doença de Parkinson?
- Quais algoritmos de aprendizado de máquina têm mostrado melhor desempenho na detecção da doença de Parkinson?
- Quais são as principais barreiras para a implementação clínica de sensores vestíveis no diagnóstico da doença de Parkinson?

Tema: IA e wearables. Página: https://alphadoctor.com.br/ciencia/ia-wearables/sensores-vestiveis-com-aprendizado-de-maquina-podem-auxiliar-no-diagnostico-da/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.