Aplicações de Inteligência Artificial na Neurologia: A Influência das Tecnologias no Diagnóstico e Monitoramento
DOI:
https://doi.org/10.18378/rebes.v14i3.10833Resumo
A inteligência artificial (IA), introduzida por John McCarthy em 1956, representa a quarta revolução industrial, transformando áreas da vida cotidiana. O aprendizado de máquina (ML), um ramo da IA criado por Arthur Samuel em 1959, utiliza algoritmos e redes neurais para reconhecer padrões em dados. O aprendizado profundo (DL), uma especialização do ML, imita o processamento cerebral com redes neurais convolucionais, especialmente na análise de imagens e vídeos. Na saúde, a IA ajuda na análise de dados médicos e no diagnóstico de distúrbios neurológicos, com técnicas de ML mostrando avanços na identificação de condições como Alzheimer, esquizofrenia entre outras. O estudo visa investigar como as tecnologias de IA impactam o diagnóstico e monitoramento de distúrbios neurológicos. Foca na eficácia de dispositivos vestíveis, como smartwatches, na detecção de tremores e anomalias neurológicas e na personalização do tratamento. Também explora o papel de aplicativos móveis na adesão à medicação e na triagem de doenças, buscando melhorar a eficiência do diagnóstico e os resultados clínicos. Esta pesquisa é uma revisão bibliográfica qualitativa, exploratória e descritiva que investiga as aplicações de inteligência artificial na prática clínica da neurologia. A pesquisa foi realizada nas bases de dados SciELO e PubMed, utilizando os termos de busca “Artificial Intelligence (AI)” AND “Neurology”. Foram incluídos artigos originais, gratuitos e publicados em português nos últimos dez anos. O estudo excluiu trabalhos incompletos, repetidos e que não atendiam aos critérios propostos. A análise foi concluída em agosto de 2024. O avanço das tecnologias vestíveis e da IA tem revolucionado o diagnóstico e monitoramento de distúrbios neurológicos, destacando-se com o uso de smartwatches e tablets. Dispositivos como o SDS da Apple e algoritmos de aprendizado de máquina têm permitido a detecção e análise de tremores com alta precisão, beneficiando o diagnóstico de doenças como Parkinson e epilepsia. Aplicativos móveis e questionários eletrônicos complementam esses dispositivos, proporcionando uma avaliação mais completa dos pacientes. A integração de IA na neuroimagem e o uso de sensores para monitoramento contínuo também têm mostrado melhorias significativas na precisão dos diagnósticos e na personalização dos tratamentos. No entanto, desafios como a complexidade dos algoritmos e a proteção de dados precisam ser abordados para otimizar a eficácia dessas tecnologias.
Downloads
Referências
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.
Downloads
Publicado
Versões
- 2024-08-20 (2)
- 2024-08-20 (1)
Como Citar
Edição
Seção
Licença
Copyright (c) 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)
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Termo de cess