O uso da Inteligência Artificial na Doença de Parkinson
DOI:
https://doi.org/10.33448/rsd-v14i1.48011Palavras-chave:
Inteligência Artificial, Doença de Parkinson, Diagnóstico, Tratamento.Resumo
A Doença de Parkinson (DP) é uma enfermidade neurológica que degrada a substância negra do cérebro, causando déficit motor no indivíduo. Sua sintomatologia difusa afeta a análise clínica, dificultando o diagnóstico precoce e o tratamento. O objetivo deste estudo é analisar o uso da inteligência artificial no diagnóstico e tratamento da Doença de Parkinson. A metodologia utilizada foi a da revisão integrativa de literatura baseada em artigos publicados entre 2019 e 2024. Foram identificados avanços significativos no uso de algoritmos de aprendizado de máquina (ML) para o diagnóstico precoce, o monitoramento de sintomas e a personalização de tratamentos. Técnicas como redes neurais convolucionais, análise de biomarcadores, dispositivos de internet das coisas (IoT), diagnóstico assistido por computador (DAC) e WGCNA destacaram-se pela precisão e pela eficiência no reconhecimento de padrões relacionados à DP. Embora a IA demonstre grande potencial no diagnóstico e no monitoramento da DP, os avanços no tratamento permanecem limitados. Considerando a relevância do tema, é indicado o desenvolvimento de estudos adicionais para a integração dessas tecnologias na prática clínica.
Referências
Anima. (2014). Manual revisão bibliográfica sistemática integrativa: a pesquisa baseada em evidências. Grupo Anima.
Calderone, A. et al. (2024). Towards Transforming Neurorehabilitation: The Impact of Artificial Intelligence on Diagnosis and Treatment of Neurological Disorders. Biomedicines. 12(10), 2415.
Crossetti, M. G. M. (2012). Revisión integradora de la investigación en enfermería el rigor científico que se le exige. Rev. Gaúcha Enferm. 33(2): 8-9.
Dennisa, A-G. P. & Strafella, A. P. (2024). The Role of AI and Machine Learning in the Diagnosis of Parkinson’s Disease and Atypical Parkinsonisms. Parkinsonism & related disorders (Online)/Parkinsonism & related disorders. 106986–106986.
Dong, B.. Liu, X. & Yu, S. (2024). Utilizing machine learning algorithms to identify biomarkers associated with diabetic nephropathy: A review. Medicine. 103(8), e37235–e37235.
Faouzi, J., Colliot, O. & Corvol, J-C. (2023). Machine Learning for Parkinson’s Disease and Related Disorders. Neuromethods. 847–77.
Giannakopoulou, K-M., Roussaki, I. & Demestichas, K. (2022). Internet of Things Technologies and Machine Learning Methods for Parkinson’s Disease Diagnosis, Monitoring and Management: A Systematic Review. Sensors. 22(5), 1799.
Hughes, G. L. et al. (2020). Machine learning discriminates a movement disorder in a zebrafish model of Parkinson’s disease. Disease Models & Mechanisms. 13(10), dmm045815.
Kriegeskorte, N. & Golan, T. (2019). Neural network models and deep learning. Current Biology. 29(7), R231–R236.
Landers, M., Saria, S. & Espay, A.J. (2021). Will Artificial Intelligence Replace the Movement Disorders Specialist for Diagnosing and Managing Parkinson’s Disease? Journal of Parkinson’s Disease. 11(s1), S117–S122.
Langfelder, P., Horvath, S. (2008). WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 9 (1).
https://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-9-559
Loh, H. W. et al. (2021). Application of Deep Learning Models for Automated Identification of Parkinson’s Disease: A Review (2011–2021). Sensors. 21 (21), 7034.
Mattos, P. C. (2015). Tipos de revisão de literatura. Unesp, 1-9. https://www.fca.unesp.br/Home/Biblioteca/tipos-de-evisao-de-literatura.pdf.
Melo, L.M., Barbosa, E.R. & Caramelli, P. (2007). Declínio cognitivo e demência associados à doença de Parkinson: características clínicas e tratamento. Archives of Clinical Psychiatry - Revista de Psiquiatria Clínica. 34(4), 176-83.
Pereira A. S. et al. (2018). Metodologia da pesquisa científica. [free e-book]. Editora UAB/NTE/UFSM.
Perju-Dumbrava, L. et al. (2022). Artificial intelligence applications and robotic systems in Parkinson’s disease (Review). Experimental and Therapeutic Medicine. 23(2), 153.
Rosa, C. M., Souza, P. A. R. & Silva, J. M. (2020). Inovação em saúde e internet das coisas (IoT): Um panorama do desenvolvimento científico e tecnológico. Perspectivas em Ciência da Informação. 25(3), 164–81.
Sponchiado, G. S. (2019). Estratégia de caracterização de sinais eletromiográficos baseada em redes neurais artificiais para sistemas de controle de máquinas de movimento contínuo. Dissertação (Mestrado em Engenharia Elétrica) - Escola Politécnica da Pontifícia Universidade Católica do Rio Grande do Sul, Porto Alegre.
Sturchio, A. et al. Phenotype-Agnostic Molecular Subtyping of Neurodegenerative Disorders: The Cincinnati Cohort Biomarker Program (CCBP). Frontiers in Aging Neuroscience, v. 12, 8 out. 2020.
Tabashum, T. et al. (2024) Machine Learning Models for Parkinson Disease: Systematic Review. JMIR Medical Informatics, 12, e50117–e50117.
Tolosa, E. et al. (2021) Challenges in the diagnosis of Parkinson’s disease. The Lancet Neurology, 20(5), 385–397.
Vatansever, S. et al. (2020). Artificial intelligence and machine learning‐aided drug discovery in central nervous system diseases: State‐of‐the‐arts and future directions. Medicinal Research Reviews. 41 (3), 1427–73.
Vilela Jr., G. B. et al. (2023). Inteligência artificial e reabilitação neuro motora. Revista CPAQV - Centro de Pesquisas Avançadas em Qualidade de Vida. 15 (3). https://doi.org/10.36692/V15N3-30R.
Wu, P. et al. (2023). The advantages of artificial intelligence-based gait assessment in detecting, predicting, and managing Parkinson’s disease. Front Aging Neurosci. 12 (15): 1191378. DOI: 10.3389/fnagi.2023.1191378..
Yu, S. et al. (2018). Motion Sensor-Based Assessment on Fall Risk and Parkinson’s Disease Severity: A Deep Multi-Source Multi-Task Learning (DMML) Approach. Annals of the 2018 IEEE International Conference. 9, 174–9 10.1109/ICHI.2018.00027. https://ieeexplore.ieee.org/document/8419360/.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Eduardo Henrique Franco Cahú da Silva; Ricardo Teti Vieira ; Gabriela Duarte Nunes ; Tiago Gonçalves Siebra ; Caio Vinícius Gueiros Tabosa; João Magalhães Moura; Pedro Hélio Phaelante Costa Guerra ; Hiago Vitório Castro Lima de Melo; Leilane Helena Andrade Lima; Manuela Barbosa Rodrigues de Souza
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
