Predição por aprendizado de máquina e estratificação de risco de declínio cognitivo em 12 meses na doença de Alzheimer usando dados clínicos rotineiros e ressonância magnética

Por que prever a perda de memória importa

A doença de Alzheimer rouba gradualmente a memória e o raciocínio das pessoas, mas nem todos declinam no mesmo ritmo. Alguns pacientes perdem vários pontos em testes mentais simples ao longo de um ano, enquanto outros permanecem relativamente estáveis. Conseguir prever, no momento do diagnóstico, quem tende a piorar rapidamente poderia ajudar médicos a planejar consultas, apoiar famílias e selecionar pacientes para ensaios clínicos de novos tratamentos. Este estudo investiga se informações que muitas clínicas de memória já coletam — testes breves de cognição e exames de imagem cerebrais de rotina — podem ser combinadas com métodos computacionais modernos para prever quem vai declinar nos próximos 12 meses.

Quem foi estudado e o que foi medido

Os pesquisadores usaram dados da Alzheimer’s Disease Neuroimaging Initiative, um projeto de longa duração que acompanha pessoas com problemas de memória por meio de testes padronizados e imagens cerebrais. Focaram em 306 participantes com diagnóstico de doença de Alzheimer que completaram um teste de memória chamado Mini-Mental State Examination, ou MMSE, no início do estudo e novamente um ano depois. Uma queda de três ou mais pontos no MMSE ao longo de 12 meses foi considerada um declínio significativo. No início, cada pessoa forneceu informações básicas como idade, sexo e anos de escolaridade, respondeu a vários questionários detalhados sobre cognição e função diária, e realizou uma ressonância magnética cerebral que mediu o tamanho de regiões cerebrais chave envolvidas na memória.

Como os modelos computacionais foram construídos

Para avaliar se o declínio de curto prazo poderia ser previsto, a equipe construiu e comparou dois tipos de ferramentas preditivas. A primeira foi uma fórmula estatística simples usando apenas algumas medidas práticas de clínica: idade, sexo e pontuações em dois testes padronizados de cognição. A segunda foi um modelo de aprendizado de máquina mais flexível conhecido como random forest, que podia considerar o conjunto completo de escores clínicos juntamente com medidas de RM, como volume do hipocampo e tamanho dos espaços fluidos do cérebro. Os dados foram repetidamente divididos em subconjuntos de treinamento e teste para que o desfecho de cada pessoa fosse previsto por um modelo que ainda não havia “visto” aquela pessoa, imitando como a ferramenta poderia se comportar em novos pacientes.

Quão bem os modelos previram o declínio

Cerca de 43% dos participantes apresentaram uma queda significativa no MMSE em 12 meses. Ambas as abordagens foram melhores que o acaso para identificar esses indivíduos. O modelo clínico simples alcançou um nível de desempenho tipicamente considerado “moderado” para ferramentas de predição médica. O modelo random forest teve desempenho ligeiramente superior no geral e, importante, mostrou maior “benefício líquido” em uma ampla faixa de limiares de risco práticos. Benefício líquido é uma forma de ponderar predições corretas e incorretas em relação às consequências de agir sobre elas — por exemplo, decidir quais pacientes devem ser monitorados mais de perto ou considerados para cuidados mais intensivos. Embora o modelo mais complexo não fosse perfeito e mostrasse alguns sinais de sobreajuste, ele forneceu de maneira consistente orientação mais útil do que estratégias que assumissem que todos iriam declinar ou que ninguém iria.

Transformando escores em risco baixo, médio e alto

Para facilitar o uso nas clínicas, os pesquisadores traduziram a saída do modelo em três faixas simples de risco. Pessoas cuja probabilidade prevista de declínio ficou abaixo de um quarto formaram um grupo de baixo risco; apenas cerca de uma em oito delas realmente declinou, e suas pontuações médias nos testes permaneceram quase inalteradas após um ano. Os do grupo intermediário tinham aproximadamente uma em três chances de declínio e, em média, perderam cerca de um ponto e meio no MMSE. O grupo de alto risco, com probabilidades previstas acima de metade, apresentou declínio em cerca de dois em cada três pacientes e uma perda média de mais de quatro pontos no MMSE. Esse padrão escalonado e claro sugere que as probabilidades do modelo podem ser transformadas em categorias práticas que orientem com que frequência os pacientes devem ser vistos e quais podem ser priorizados para ensaios ou exames adicionais.

O que isso significa para pacientes e clínicas

O estudo mostra que, ao combinar testes de memória rotineiros com ressonâncias magnéticas padrão e analisá-los com métodos computacionais modernos, é possível estimar com precisão moderada o risco de declínio perceptível em um paciente com Alzheimer ao longo do ano seguinte. Embora a ferramenta ainda precise ser verificada e ajustada em diferentes hospitais e em populações mais diversas antes de ser usada na prática clínica cotidiana, ela aponta para um futuro em que cronogramas de acompanhamento e inclusão em ensaios sejam adaptados à trajetória provável de cada pessoa, em vez de tratar todos os pacientes como se a doença progredisse na mesma velocidade.

Citação: Geng, Y., Zhang, H. Machine-learning prediction and risk stratification of 12-month cognitive decline in Alzheimer’s disease using routine clinical and MRI data. Sci Rep 16, 12227 (2026). https://doi.org/10.1038/s41598-026-43321-1

Palavras-chave: doença de Alzheimer, declínio cognitivo, aprendizado de máquina, ressonância magnética cerebral, estratificação de risco