AUXÍLIO AO DIAGNÓSTICO DA DOENÇA DE ALZHEIMER E DEMÊNCIA DE CORPOS DE LEWY USANDO BIOMARCADORES EM SINAIS DE ELETROENCEFALOGRAMA EM ESTADO DE REPOUSO POR MEIO DE APRENDIZAGEM PROFUNDA
Este estudo investigou a utilização de biomarcadores eletrofisiológicos derivados de sinais de eletroencefalograma (EEG) em estado de repouso para o diagnóstico precoce da Doença de Alzheimer (DA) e Demência de Corpos de Levy (DCL), empregando métodos de Aprendizado Profundo. A base de dados usada neste trabalho possui sinais de EEG de 30 pacientes com DA, 30 pacientes com DCL e 30 pacientes controles (CTRL) saudáveis. Os biomarcadores usados foram todos baseados em análise espectral com o auxílio da ferramenta de software EEGLAB rodando no ambiente MATLAB. Foi desenvolvido e avaliado um modelo de classificador baseado em redes neurais Long Short Term Memory (LSTM), utilizando técnicas de validação cruzada Leave One Subject Out (LOSO) e k-Fold Cross Validation (kFCV). Também foi usado o classificador Support Vector Machines (SVM) como comparação com as técnicas tradicionais de Aprendizado de Máquina. Ambos os classificadores foram implementados com o auxílio da ferramenta de software Scikit-learn, utilizando a linguagem de programação Python. O modelo apresentou acurácia superior a 80%, demonstrando sua capacidade na diferenciação entre indivíduos saudáveis e pacientes com DA e com DCL. Apesar dos resultados promissores, o estudo identificou limitações, tais como o tamanho reduzido da amostra e desafios relacionados à variabilidade natural dos sinais EEG, indicando a necessidade de pesquisas adicionais para validação em populações maiores e contextos clínicos diversos. Este trabalho destaca o potencial do EEG combinado com Aprendizado Profundo como uma ferramenta não invasiva, econômica e acessível para auxiliar no diagnóstico precoce e acompanhamento da DA e da DCL.