Estudo global mostra as varreduras cerebrais mais longas reduzem os custos de pesquisa, fornecem previsões mais precisas

Os modelos de inteligência artificial (IA) treinados em grandes conjuntos de dados são cada vez mais vistos como a chave para desbloquear tratamentos personalizados para distúrbios cerebrais. Um gargalo importante para escalar a IA é o custo da coleta de dados. Isso gera um dilema fundamental: é mais econômico digitalizar mais pessoas por um curto período de tempo, ou menos pessoas por mais tempo?

Um estudo, publicado na revista Naturezaliderado pelo professor associado Thomas Yeo, do Centro de Sono e Cognição, a Escola de Medicina Yong Lin, a Universidade Nacional de Cingapura (NUS Medicine), agora oferece uma resposta clara: ressonância magnética funcional de 30 minutos (fMRI) oferecem até 22% na economia de custos, mantendo ainda que ainda retenha a melhoria da previsão da precisão de previsão.

O pensamento tradicional em neurociência enfatiza a coleta de conjuntos de dados maciços, digitalizando milhares de pessoas em busca de breves durações, geralmente cerca de 10 minutos para a ressonância magnética. Os modelos de IA podem então ser treinados para usar as varreduras cerebrais para fazer previsões de características ou resultados em nível individual. Esses traços e resultados podem incluir habilidades cognitivas (por exemplo, memória, função executiva), indicadores de saúde mental e resultados clínicos (por exemplo, risco da doença de Alzheimer).

No entanto, à medida que os números dos participantes sobem, o mesmo acontece com os custos: mesmo uma breve varredura pode ficar cara quando os custos ocultos de recrutamento, agendamento e rastreamento administrativo desses voluntários são considerados.

A equipe fez uma pergunta prática: e se focássemos em digitalizar menos indivíduos, mas por períodos mais longos? Trabalhando com colaboradores de todo o mundo, incluindo o professor Thomas Nichols, da Universidade de Oxford, e o professor Nico Dosenbach, da Universidade de Washington, em St. Louis, os pesquisadores desenvolveram um modelo matemático que prediz como mudanças no tempo de varredura e número de participantes afetam o desempenho dos modelos de IA baseados no cérebro.

Eles validaram seu modelo usando nove conjuntos de dados internacionais de imagem que abrangem milhares de indivíduos de idades, etnias e status de saúde variados. Eles descobriram que seu modelo pode ser usado para personalizar o desenho do estudo para maximizar a precisão da previsão e minimizar o custo. A digitalização de cada pessoa por 30 minutos fornece um ponto ideal para maximizar a precisão da previsão e minimiza os custos de pesquisa.

“Durante anos, o mantra tem sido ‘maior é melhor’. Nós perseguimos coortes cada vez maiores sem perguntar quanto tempo cada pessoa deve ser digitalizada. “Em essência, podemos obter o melhor dos dois mundos – mais previsões a um custo menor”.

Essa descoberta pode remodelar como os pesquisadores projetam estudos de neurociência e saúde mental, especialmente para populações difíceis de recrutar, como pacientes com condições neurológicas raras.

A equipe agora está refinando seu modelo usando dados clínicos do mundo real e tecnologia emergente de imagem cerebral. Seu objetivo: tornar ainda mais fácil para pesquisadores e sistemas de saúde em todo o mundo projetar estudos cerebrais mais inteligentes e econômicos.

Ao ajudar os estudos a coletar melhores dados por menos dinheiro, o trabalho pode moldar pesquisas futuras em neurologia e psiquiatria – e orientar os esforços nacionais e globais para oferecer cuidados de saúde mais personalizados e acessíveis.

O professor Nico Dosenbach, um neurologista da Universidade de Washington em St. Louis, co-autor do estudo, acrescentou: “Isso é um divisor de águas para o campo. Dá à pesquisa uma maneira rigorosa e quantitativa de projetar estudos mais inteligentes, especialmente críticos à medida que avançamos em neurociência mais longa e mais tempo de cognâncias e mais alojamento, que se trata de mais inteligência.

O estudo foi de autoria em conjunto pelo Dr. Leon Ooi, Dr. Csaba Orban, Dr. Shaoshi Zhang, bolsistas de pesquisa no Laboratório de Professor Associado Thomas Yeo, que é o autor sênior e correspondente do estudo.