Aplicações de Inteligência Artificial na Neurologia: A Influência das Tecnologias no Diagnóstico e Monitoramento
DOI:
https://doi.org/10.18378/rebes.v14i3.10833Resumen
La inteligencia artificial (IA), introducida por John McCarthy en 1956, representa la cuarta revolución industrial, transformando áreas de la vida cotidiana. El aprendizaje automático (ML), una rama de la IA creada por Arthur Samuel en 1959, utiliza algoritmos y redes neuronales para reconocer patrones en los datos. El aprendizaje profundo (DL), una especialización del ML, imita el procesamiento cerebral con redes neuronales convolucionales, especialmente en el análisis de imágenes y vídeos. En el sector sanitario, la IA ayuda a analizar datos médicos y diagnosticar trastornos neurológicos, y las técnicas de aprendizaje automático muestran avances en la identificación de enfermedades como el Alzheimer, la esquizofrenia y otras. El estudio tiene como objetivo investigar cómo las tecnologías de inteligencia artificial impactan el diagnóstico y seguimiento de trastornos neurológicos. Se centra en la eficacia de los dispositivos portátiles, como los relojes inteligentes, para detectar temblores y anomalías neurológicas y personalizar el tratamiento. También explora el papel de las aplicaciones móviles en la adherencia a la medicación y la detección de enfermedades, buscando mejorar la eficiencia del diagnóstico y los resultados clínicos. Esta investigación es una revisión de literatura cualitativa, exploratoria y descriptiva que investiga las aplicaciones de la inteligencia artificial en la práctica clínica de la neurología. La búsqueda se realizó en las bases de datos SciELO y PubMed, utilizando los términos de búsqueda “Artificial Intelligence (AI)” AND “Neurology”. Se incluyeron artículos originales y gratuitos publicados en portugués en los últimos diez años. El estudio excluyó trabajos incompletos y repetidos que no cumplieran con los criterios propuestos. El análisis se completó en agosto de 2024. El avance de las tecnologías portátiles y la IA ha revolucionado el diagnóstico y seguimiento de los trastornos neurológicos, destacando el uso de relojes inteligentes y tabletas. Dispositivos como el SDS de Apple y algoritmos de aprendizaje automático han permitido la detección y análisis de temblores con alta precisión, beneficiando el diagnóstico de enfermedades como el Parkinson y la epilepsia. Las aplicaciones móviles y los cuestionarios electrónicos complementan estos dispositivos, proporcionando una evaluación más completa de los pacientes. La integración de la IA en la neuroimagen y el uso de sensores para la monitorización continua también han mostrado mejoras significativas en la precisión del diagnóstico y la personalización del tratamiento. Sin embargo, es necesario abordar desafíos como la complejidad de los algoritmos y la protección de datos para optimizar la efectividad de estas tecnologías.
Descargas
Citas
BRINKMANN, Benjamin H. et al. Seizure diaries and forecasting with wearables: epilepsy monitoring outside the clinic. Frontiers in Neurology, v. 12, p. 690404, 2021.
BRZEZICKI, Maksymilian A. et al. Artificial intelligence outperforms human students in conducting neurosurgical audits. Clinical Neurology and Neurosurgery, v. 192, p. 105732, 2020.
GUEDE-FERNÁNDEZ, Federico et al. A photoplethysmography smartphone-based method for heart rate variability assessment: Device model and breathing influences. Biomedical Signal Processing and Control, v. 57, p. 101717, 2020.
HO, King Chung et al. A machine learning approach for classifying ischemic stroke onset time from imaging. IEEE transactions on medical imaging, v. 38, n. 7, p. 1666-1676, 2019.
JOHANSSON, Dongni et al. Tonic-clonic seizure detection using accelerometry-based wearable sensors: a prospective, video-EEG controlled study. Seizure, v. 65, p. 48-54, 2019.
KOZA, John R. et al. Automated design of both the topology and sizing of analog electrical circuits using genetic programming. Artificial intelligence in design’96, p. 151-170, 1996.
MINEN, Mia T.; STIEGLITZ, Eric J. Wearables for neurologic conditions: Considerations for our patients and research limitations. Neurology: Clinical Practice, v. 11, n. 4, p. e537-e543, 2021.
NOGUCHI, Tomoyuki et al. Artificial intelligence using neural network architecture for radiology (AINNAR): classification of MR imaging sequences. Japanese journal of radiology, v. 36, p. 691-697, 2018.
OBUCHOWSKI, Nancy A.; BULLEN, Jennifer A. Receiver operating characteristic (ROC) curves: review of methods with applications in diagnostic medicine. Physics in Medicine & Biology, v. 63, n. 7, p. 07TR01, 2018.
PARMAR, Uday Pratap Singh et al. Artificial intelligence (AI) for early diagnosis of retinal diseases. Medicina, v. 60, n. 4, p. 527, 2024.
RAJAGOPALAN, Shyam Sundar et al. Machine learning detects EEG microstate alterations in patients living with temporal lobe epilepsy. Seizure, v. 61, p. 8-13, 2018.
RASHIDI, Hooman H. et al. Artificial intelligence and machine learning in pathology: the present landscape of supervised methods. Academic pathology, v. 6, p. 2374289519873088, 2019.
REGALIA, Giulia et al. Multimodal wrist-worn devices for seizure detection and advancing research: focus on the Empatica wristbands. Epilepsy research, v. 153, p. 79-82, 2019.
SHIMIZU, Hideyuki; NAKAYAMA, Keiichi I. Artificial intelligence in oncology. Cancer science, v. 111, n. 5, p. 1452-1460, 2020.
VARGHESE, Julian et al. A smart device system to identify new phenotypical characteristics in movement disorders. Frontiers in neurology, v. 10, p. 48, 2019.
VARGHESE, Julian et al. Sensor validation and diagnostic potential of smartwatches in movement disorders. Sensors, v. 21, n. 9, p. 3139, 2021.
VISSCHER, Rosa MS et al. Artificial intelligence for understanding concussion: Retrospective cluster analysis on the balance and vestibular diagnostic data of concussion patients. PloS one, v. 14, n. 4, p. e0214525, 2019.
WORLD ECONOMIC FORUM. The Fourth Industrial Revolution: What It Means and How to Respond. 2016 Disponível em: https://www.weforum.org/agenda/2016/01/the-fourth-industrial-revolution-what-it-means-and-how-to-respond/. Acesso em: 23 fev. 2024.
YAO, Robert et al. Towards Improved Diagnosis in Epilepsy (P1. 035). Neurology, v. 90, n. 15_supplement, p. P1. 035, 2018.
STANFORD UNIVERSITY, Stanford. BASIC Questions. Www-formal.stanford.edu, 2017. Disponível em: http://www-formal.stanford.edu/jmc/whatisai/node1.html. Acesso em: 16 ago. 2024.
JORDAN, Michael I.; MITCHELL, Tom M. Machine learning: Trends, perspectives, and prospects. Science, v. 349, n. 6245, p. 255-260, 2015.
BHATELE, Kirti Raj; BHADAURIA, Sarita Singh. Brain structural disorders detection and classification approaches: a review. Artificial Intelligence Review, v. 53, n. 5, p. 3349-3401, 2020.
ENGLISH, Mason et al. Machine Learning in Neuro-Oncology, Epilepsy, Alzheimer’s Disease, and Schizophrenia. Machine Learning in Clinical Neuroscience: Foundations and Applications, p. 349-361, 2022.
AHMED, Zeeshan et al. Artificial intelligence with multi-functional machine learning platform development for better healthcare and precision medicine. Database, v. 2020, p. baaa010, 2020.
MURRAY, Christopher JL et al. Disability-adjusted life years (DALYs) for 291 diseases and injuries in 21 regions, 1990–2010: a systematic analysis for the Global Burden of Disease Study 2010. The lancet, v. 380, n. 9859, p. 2197-2223, 2012.
Descargas
Publicado
Versiones
- 2024-08-20 (2)
- 2024-08-20 (1)
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Gabriela Candida de Albuquerque Carbone , Emmanuela Borba de Vasconcelos , Filipe Marques Rodrigues, Amanda Moreira Lima, Gabriela Augusto Rodrigues Pereira , Ana Beatriz da Silva Batista, Paloma Syntya de Souza , Filippo Resende Carlétti
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Termo de cess