Biomarcadores topográficos para suporte ao diagnóstico precoce da doença de Alzheimer baseados em análise computacional de eletroencefalogramas coletados durante tarefas de memória operacional
A doença de Alzheimer (DA) é uma síndrome neurodegenerativa que afeta milhões de pessoas em todo o mundo. Além disso, pessoas com comprometimento cognitivo leve (CCL) estão em um grupo de risco que deve ser seguido atentamente, pois há uma alta probabilidade de evolução para DA. Nesta pesquisa, três estudos foram delineados para aprimorar e validar biomarcadores topográficos baseados na análise computacional do eletroencefalograma (EEG) coletado durante a execução de tarefas de memória operacional N-back, com o objetivo de fornecer suporte ao diagnóstico precoce do CCL e da DA. Os participantes foram 15 pacientes com diagnóstico de DA, 21 indivíduos com diagnóstico de CCL e 27 idosos saudáveis (IS) para o grupo controle. Os sujeitos foram submetidos a uma tarefa N-back visual de três níveis, com dificuldade ascendente na carga de memória operacional, durante as quais foram registrados sinais de EEG (32 canais).
O primeiro estudo teve por objetivo explorar o uso de potenciais evento-relacionados (Event-Related Potentials - ERP) e sincronização/dessincronização evento-relacionadas (Event-Related Synchronization/ Desynchronization - ERS/ERD). Diferenças significativas foram encontradas entre os grupos de pacientes (CCL e DA) e controle (IS) no ERP durante a execução das tarefas N-back, predominantemente nos eletrodos fronto-centro-parietais. A maioria das diferenças foi observada nos 400-700 ms pós-estímulo, onde o grupo controle mostrou amplitudes maiores que os pacientes (CCL e DA), ou seja, foram observadas diferenças na amplitude do componente P450, tipicamente relacionado à atualização da memória de trabalho. Adicionalmente, as medidas de ERD/ERS revelaram que os indivíduos do grupo IS elicitaram respostas ERD-alfa consistentemente maiores que os pacientes com CCL e DA durante a execução da tarefa no nível 1-back na condição de coincidência (match trials), com diferenças localizadas nas regiões frontal, central e occipital. Além disso, na condição de não-coincidência (non-match trials), foi possível distinguir entre pacientes com CCL e DA no nível 0-back, com CCL apresentando mais ERD-teta do que DA nas áreas temporal e fronto-temporal.
O segundo estudo teve por objetivo analisar registros de EEG no espaço das fontes com foco na análise dos segmentos do EEG antes e depois das mesmas tarefas N-back de memória operacional, visando desta vez exclusivamente o suporte ao diagnóstico do CCL. Para esse fim, a partir dos dados de EEG, o software LORETA forneceu a localização das regiões de Brodmann nas quais houve uma diferença significativa na comparação de CCL com IS. Diferenças significativas foram encontradas nesta comparação em todas as tarefas de memória operacional, localizadas principalmente nas regiões do lobo frontal e temporal.
Finalmente, o terceiro estudo teve por objetivo extrair características no espaço das fontes, identificadas como biomarcadores topográficos oriundos da análise de EEG captado durante tarefas N-back, para classificar automaticamente os participantes nas categorias CCL e IS. Para esse fim, utilizou-se técnicas de aprendizado de máquina com classificadores implementados através da biblioteca Scikit-learn em linguagem Python. A previsão do classificador atingiu acurácia, sensibilidade e especificidade em torno de 95%. Isso mostra que este método de extração de características no espaço das fontes, com foco na análise dos segmentos do EEG antes e depois de tarefas N-back, consegue superar os melhores desempenhos relatados na literatura, o que indica que essa técnica pode representar uma ferramenta clinicamente relevante para suporte ao diagnóstico precoce de CCL e DA.