Uso da inteligência artificial para predição da evolução clínica em doenças neurológicas
DOI:
https://doi.org/10.34024/rnc.2025.v33.19991Palavras-chave:
Inteligência artificial, Predição clínica, Doenças neurológicasResumo
Introdução. A inteligência artificial (IA) tem revolucionado a medicina, especialmente no diagnóstico e tratamento de doenças neurológicas. Sua aplicação no sistema nervoso central (SNC) auxilia na previsão, diagnóstico precoce e prognóstico de condições como AVC, Alzheimer e Parkinson, além de contribuir para a pesquisa farmacêutica.Objetivo. Avaliar o uso da inteligência artificial para predição da evolução clínica em doenças neurológicas. Método. A pesquisa utilizou uma revisão integrativa da literatura com dados coletados de bases como PubMed e ScienceDirect. Foram selecionados artigos publicados entre 2014 e 2025, utilizando descritores como"inteligência artificial", "predição clínica", "doenças neurológicas", "neurodegenerativas", "modelo preditivo" e "aprendizado de máquina" Após a triagem, 25 estudos foram incluídos na análise. Resultados. Os estudos revisados destacam o impacto crescente da IA no diagnóstico e prognóstico de doenças neurológicas e cardiovasculares, com avanços na análise de dados cerebrais e no desenvolvimento de biomarcadores, como no monitoramento da Doença de Parkinson. A IA tem impulsionado a descoberta de medicamentos para o SNC e aprimorado o monitoramento de condições como AVC e doenças cardíacas por meio de plataformas integradas à telemedicina. Apesar dos avanços, desafios relacionados à qualidade dos dados e validação clínica ainda precisam ser superados para uma aplicação eficaz. Conclusão. A inteligência artificial tem aprimorado o diagnóstico e tratamento de doenças neurológicas, como Alzheimer e Parkinson, por meio da análise avançada de dados e personalização de terapias. Apesar dos desafios, seu avanço contínuo promete melhorias significativas na saúde neurológica.
Métricas
Referências
Surianarayanan C, Lawrence JJ, Chelliah PR, Prakash E, Hewage C. Convergence of Artificial Intelligence and Neuroscience towards the Diagnosis of Neurological Disorders-A Scoping Review. Sensors (Basel) 2023;23:3062. https://doi.org/10.3390/s23063062
Vatansever S, Schlessinger A, Wacker D, Kaniskan HÜ, Jin J, Zhou MM, et al. Artificial intelligence and machine learning-aided drug discovery in central nervous system diseases: State-of-the-arts and future directions. Med Res Rev 2021;41:1427-73. https://doi.org/10.1002/med.21764
Voigtlaender S, Pawelczyk J, Geiger M, Vaios EJ, Karschnia P, Cudkowicz M, et al. Artificial intelligence in neurology: opportunities, challenges, and policy implications. J Neurol 2024;271:2258-73. https://doi.org/10.1007/s00415-024-12220-8
Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol 2017;2:230-43. https://doi.org/10.1136/svn-2017-000101
Winchester LM, Harshfield EL, Shi L, Badhwar A, Khleifat AA, Clarke N, et al. Artificial intelligence for biomarker discovery in Alzheimer's disease and dementia. Alzheimers Dement 2023;19:5860-71. https://doi.org/10.1002/alz.13390
Yang Y, Yuan Y, Zhang G, Wang H, Chen YC, Liu Y, et al. Artificial intelligence-enabled detection and assessment of Parkinson's disease using nocturnal breathing signals. Nat Med 2022;28:2207-15. https://doi.org/10.1038/s41591-022-01932-x
Michel PP, Hirsch EC, Hunot S. Understanding Dopaminergic Cell Death Pathways in Parkinson Disease. Neuron 2016;90:675-91. https://doi.org/10.1016/j.neuron.2016.03.038
Bron EE, Smits M, Niessen WJ, Klein S. Feature Selection Based on the SVM Weight Vector for Classification of Dementia. IEEE J Biomed Health Informat 2015;19:1617-26. https://doi.org/10.1109/JBHI.2015.2432832
Zhao A, Dong J, Li J, Qi L, Yu H. LSTM for diagnosis of neurodegenerative diseases using gait data. Ninth International Conference on Graphic and Image Processing (ICGIP 2017). https://doi.org/10.1117/12.2305277
Blennow K. A Review of Fluid Biomarkers for Alzheimer’s Disease: Moving from CSF to Blood. Neurol Ther 2017;6(S1):15-24. https://doi.org/10.1007/s40120-017-0073-9
Stamate D, Kim M, Proitsi P, Westwood S, Baird A, Nevado-Holgado A, et al. A metabolite-based machine learning approach to diagnose Alzheimer-type dementia in blood: Results from the European Medical Information Framework for Alzheimer disease biomarker discovery cohort. Alzheimers Dement Translat Res Clin Interv 2019;5:933-8. https://doi.org/10.1016/j.trci.2019.11.001
Klöppel S, Peter J, Ludl A, Pilatus A, Maier S, Mader I, et al. Applying Automated MR-Based Diagnostic Methods to the Memory Clinic: A Prospective Study. J Alzheimers Dis 2015;47:939-54. https://doi.org/10.3233/JAD-150334
Duffy IR, Boyle AJ, Vasdev N. Improving PET Imaging Acquisition and Analysis With Machine Learning: A Narrative Review With Focus on Alzheimer’s Disease and Oncology. Mol Imag 2019;18:153601211986907. https://doi.org/10.1177/1536012119869070
Di Costanzo A, Paris D, Melck D, Angiolillo A, Corso G, Maniscalco M, et al. Blood biomarkers indicate that the preclinical stages of Alzheimer’s disease present overlapping molecular features. Sci Rep 2020;10:15612. https://doi.org/10.1038/s41598-020-71832-y
Benjamens S, Dhunnoo P, Meskó B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database. NPJ Dig Med 2020;3:1-8. https://doi.org/10.1038/s41746-020-00324-0
Giacalone M, Rasti P, Debs N, Frindel C, Cho TH, Grenier E, et al. Local spatio-temporal encoding of raw perfusion MRI for the prediction of final lesion in stroke. Med Image Anal 2018;50:117-26. https://doi.org/10.1016/j.media.2018.08.008
Chen Y, Dhar R, Heitsch L, Ford A, Fernandez-Cadenas I, Carrera C, et al. Automated quantification of cerebral edema following hemispheric infarction: Application of a machine-learning algorithm to evaluate CSF shifts on serial head CTs. NeuroIm Clin 2016;12:673-80. https://doi.org/10.1016/j.nicl.2016.09.018
Qiu Y, Cheng F. Artificial intelligence for drug discovery and development in Alzheimer’s disease. Cur Opin Struct Biol 2024;85:102776. https://doi.org/10.1016/j.sbi.2024.10277
Angelucci F, Ai AR, Piendel L, Cerman J, Hort J. Integrating AI in fighting advancing Alzheimer: diagnosis, prevention, treatment, monitoring, mechanisms, and clinical trials. Cur Opin Struct Biol 2024;87:102857. https://doi.org/10.1016/j.sbi.2024.102857
Nahhas AF, Nahhas AF, Webster TJ. The nano and artificial intelligence effect: Improved magnetic resonance imaging volumetry for multiple sclerosis. OpenNano 2024;18:100209. https://doi.org/10.1016/j.onano.2024.100209
Pilehvari S, Morgan Y, Peng W. An analytical review on the use of artificial intelligence and machine learning in diagnosis, prediction, and risk factor analysis of multiple sclerosis. Mult Scler Relat Disord 2024;89:105761. https://doi.org/10.1016/j.msard.2024.105761
Reddy A, Reddy RP, Roghani AK, Garcia RI, Khemka S, Pattoor V, et al. Artificial Intelligence in Parkinson’s Disease: Early Detection and Diagnostic Advancements. Ageing Res Rev 2024;99:102410-0. https://doi.org/10.1016/j.arr.2024.102410
Islam N, Turza MdSA, Fahim SI, Rahman RM. Advanced Parkinson’s Disease Detection: A comprehensive artificial intelligence approach utilizing clinical assessment and neuroimaging samples. Inter J Cog Comp Eng 2024;5:199-220. https://doi.org/10.1016/j.ijcce.2024.05.001
Ni Y, Alwell K, Moomaw CJ, Woo D, Adeoye O, Flaherty ML, et al. Towards phenotyping stroke: Leveraging data from a large-scale epidemiological study to detect stroke diagnosis. PLOS ONE 2018;13:e0192586. https://doi.org/10.1371/journal.pone.0192586
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Adrielly Oliveira Mateus, Karollaynne Drielly Moreira de Souza, Isadora Aires Godinho, Larissa Maria Melo Valadares, Maria Isabel Silva Moreira, Rodrigo Pena Modesto
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Como Citar
Aprovado 2025-03-13
Publicado 2025-04-16
