A machine-learning-derived online diagnostic model for Parkinson’s disease integrating eye-tracking features and clinical indicators: A single-center case-control study

Resumo Técnico: Um Modelo de Diagnóstico Online Derivado de Aprendizado de Máquina para a Doença de Parkinson

Definição do Problema
A doença de Parkinson (DP) requer um diagnóstico precoce e preciso para facilitar a intervenção oportuna. Os métodos diagnósticos tradicionais frequentemente dependem da observação clínica e de avaliações subjetivas, que podem ser retardadas até que os sintomas motores se tornem proeminentes. Este estudo aborda a necessidade de uma ferramenta diagnóstica objetiva e não invasiva, integrando características de rastreamento ocular com indicadores clínicos padrão. A pesquisa visa desenvolver um modelo baseado em aprendizado de máquina capaz de distinguir pacientes com DP de controles com alta precisão, aproveitando os déficits oculomotores conhecidos associados à doença.

Metodologia
O estudo empregou um delineamento de caso-controle de centro único envolvendo participantes de vários hospitais em Guangdong, China. O conjunto de dados incluiu tanto indicadores clínicos (dados demográficos, escores cognitivos como MMSE, MoCA, HAM-A, HAM-D, PSQI) quanto características de alto nível de rastreamento ocular derivadas de tarefas de sacadas e de busca suave (ex: precisão/latência/velocidade de sacada de sobreposição, métricas de antissacada).

• Pré-processamento de Dados e Seleção de Características:

  • Análise Univariada: Uma triagem inicial foi conduzida utilizando regressão logística univariada para identificar preditores significativos. Variáveis como nível educacional, função visuoespacial/executiva, atenção, linguagem, memória de evocação tardia, orientação, escore total do MoCA e métricas específicas de rastreamento ocular (ex: velocidade média de sacada de sobreposição, taxa de correção de antissacada) mostraram significância estatística.
  • Tratamento de Multicolinearidade: Uma análise de Fator de Inflação da Variância (VIF) revelou uma multicolinearidade severa no escore total do MoCA (VIF = 45,402) e uma multicolinearidade moderada em diversos subescores. O estudo reconheceu essas correlações, observando que variáveis com severa colinearidade são tipicamente candidatas à remoção ou combinação para garantir a estabilidade do modelo.
  • Imputação e Balanceamento: O estudo comparou o desempenho do modelo usando Imputação Múltipla por Equações Encadeadas (MICE) versus análise de caso completo, encontrando que o MICE gerou especificidade e AUC ligeiramente superiores. Adicionalmente, o impacto do SMOTE (Técnica de Sobreamostragem de Minoria Sintética) foi avaliado; modelos treinados com SMOTE apresentaram melhoria na especificidade e métricas balanceadas em comparação aos modelos sem SMOTE.

• Desenvolvimento do Modelo:

  • Múltiplos algoritmos de aprendizado de máquina foram treinados e comparados: Regressão Logística (LR), Floresta Aleatória (RF), XGBoost, Perceptron Multicamadas (MLP), Máquina de Vetores de Suporte (SVM) e Árvore de Decisão (DT).
  • Explicabilidade: O modelo de Floresta Aleatória, que demonstrou desempenho superior, foi interpretado utilizando valores SHAP (SHapley Additive exPlanations) para quantificar a importância das características e a contribuição para as previsões.

• Validação:

  • Os modelos foram avaliados em um conjunto de teste independente.
  • As métricas de desempenho incluíram Sensibilidade, Especificidade, Valores Preditivos Positivo/Negativo (VPP/VPN), Precisão, Recall, F1-score, Acurácia, Kappa, AUC (Área Sob a Curva ROC) e PR-AUC (Precisão-Recall AUC).
  • A significância estatística entre os desempenhos dos modelos foi avaliada por meio de testes de DeLong pareados.
  • Análises de subgrupos foram realizadas com base em idade e sexo para avaliar a robustez entre demografias.

Principais Resultados

• Desempenho do Modelo: O modelo de Floresta Aleatória (RF) emergiu como o melhor desempenho. No conjunto de teste independente, o modelo RF alcançou uma AUC de 0,9711, superando significativamente a Regressão Logística (AUC 0,8438, p=0,002), o XGBoost (AUC 0,9306, p=0,094) e o SVM (AUC 0,9144, p=0,024).
• Métricas do Conjunto de Treinamento: No conjunto de treinamento, o modelo RF demonstrou uma AUC de 0,996 (IC 95% 0,991-1,000), um PR-AUC de 0,9973 e um escore de Brier de 0,033, indicando excelente calibração e discriminação.
• Importância das Características: A análise univariada identificou que escores mais baixos em domínios cognitivos (visuoespacial/executivo, atenção, linguagem, evocação tardia, orientação, MoCA) e anomalias específicas de rastreamento ocular (ex: redução da velocidade média de sacada de sobreposição, aumento da duração média de sacada de sobreposição, redução da taxa de correção de antissacada) estavam fortemente associados à DP.
• Robustez:
  • SMOTE: O uso de sobreamostragem SMOTE melhorou a especificidade do modelo (0,9560 vs. 0,9121) e o F1-score (0,9537 vs. 0,9412).
  • Imputação: A imputação MICE resultou em uma especificidade perfeita (1,000) e VPP (1,000) no conjunto de teste, com uma AUC de 0,998, comparado a 0,996 sem imputação.
  • Subgrupos: O modelo manteve alto desempenho entre grupos de idade (AUC 0,963–0,998) e sexos (AUC 0,957–0,979), sugerindo generalização dentro da coorte estudada.

Significância e Alegações
O artigo afirma apresentar um modelo de diagnóstico online robusto, derivado de aprendizado de máquina, para a doença de Parkinson, que integra efetivamente biomarcadores de rastreamento ocular com indicadores clínicos. A principal contribuição é a demonstração de que um modelo de Floresta Aleatória, utilizando essas características combinadas, pode alcançar alta precisão diagnóstica (AUC > 0,97) em um conjunto de teste independente.

O estudo enfatiza a utilidade das características de rastreamento ocular como marcadores objetivos que complementam as avaliações cognitivas. Ao empregar a análise SHAP, o modelo oferece interpretabilidade, destacando quais variáveis oculomotoras e clínicas específicas impulsionam o diagnóstico. Os autores posicionam este trabalho como um passo em direção a ferramentas diagnósticas objetivas e não invasivas que poderiam potencialmente auxiliar na detecção precoce da DP, apoiadas por uma rigorosa validação estatística, incluindo verificações de multicolinearidade, estratégias de múltiplas imputações e análises de subgrupos. O trabalho é estruturado como um estudo de caso-controle de centro único, com resultados que sugerem um forte potencial para aplicação clínica, pendente de validação externa adicional.