Deep Learning for Automated Tic Detection and Prediction in Tourette Syndrome Using Electromyography and Video

A síndrome de Tourette é uma condição neurológica caracterizada por movimentos ou sons súbitos e involuntários chamados tiques. Para as pessoas que vivem com o transtorno, esses tiques podem variar de um piscar de olhos rápido a um encolhimento de ombros complexo ou um surto vocal. Embora a condição seja bem conhecida, medi-la com precisão em um ambiente clínico continua sendo difícil. Atualmente, os médicos dependem de pacientes ou cuidadores para lembrar com que frequência os tiques ocorrem ao longo da última semana, ou observam clipes de vídeo curtos gravados em um consultório. Ambos os métodos são imperfeitos; a memória humana é falível e uma breve visita ao consultório pode não captar o quadro completo da experiência diária de um paciente. Como os tiques flutuam em intensidade e podem ser suprimidos temporariamente, capturá-los objetivamente requer uma ferramenta que possa observar e ouvir continuamente sem fadiga.

Pesquisadores estão recorrendo cada vez mais à tecnologia para resolver esse problema, usando sensores para registrar a atividade muscular e câmeras para registrar o movimento. Um desses esforços vem de uma equipe da Universidade da Flórida, que se propôs a construir um sistema de computador capaz de detectar tiques em tempo real. Eles queriam saber se a inteligência artificial poderia aprender a distinguir entre uma pessoa em repouso, movendo seus músculos de propósito e tendo um tique, usando apenas os sinais elétricos de seus músculos e filmagens de vídeo de seu corpo. O objetivo deles era criar uma maneira confiável de monitorar a condição, o que poderia, eventualmente, ajudar os médicos a ajustar tratamentos ou até mesmo disparar terapias automaticamente quando um tique estiver prestes a acontecer.

A equipe reuniu dados de dezesseis adultos diagnosticados com a síndrome de Tourette. Cada pessoa visitou uma clínica várias vezes ao longo de três meses, durante os quais os pesquisadores registraram sua atividade muscular usando oito pequenos sensores colocados em seus braços e pescoço. Ao mesmo tempo, uma câmera de alta definição filmou seus movimentos. Para garantir que o computador aprendesse as lições corretas, quatro especialistas revisaram as filmagens e marcaram exatamente quando um tique ocorreu, quando a pessoa estava em repouso e quando ela estava se movendo voluntariamente. Os pesquisadores então alimentaram esses dados pareados — sinais musculares e rótulos de vídeo — em três tipos diferentes de modelos de computador projetados para reconhecer padrões. Eles testaram esses modelos de duas maneiras: primeiro, pedindo a eles para identificar o que estava acontecendo no momento atual e, segundo, pedindo a eles para prever o que aconteceria no próximo momento.

Uma parte fundamental do estudo envolveu testar quanto tempo o computador precisava observar antes de poder tomar uma decisão. Os pesquisadores inicialmente imaginaram que, como os tiques são muito breves, o computador funcionaria melhor se olhasse para fatias de tempo muito curtas, talvez apenas um segundo. Eles testaram janelas de um, cinco e dez segundos. Os resultados os surpreenderam. Quando a tarefa era detectar um tique que já estava acontecendo, o computador teve melhor desempenho ao olhar para uma janela de cinco segundos. O modelo conseguiu identificar tiques com um AUC de 0,79 nesse intervalo de tempo mais longo, sugerindo que a assinatura elétrica de um tique se desenrola ao longo de alguns segundos e beneficia-se de um pouco de contexto para ser reconhecida claramente. Em contraste, quando o computador tentava prever um tique antes que ele acontecesse, ele funcionou melhor com a janela mais curta, de um segundo. Isso indica que os sinais de alerta de um tique iminente são muito recentes e fugazes, exigindo que o sistema se concentre no passado imediato em vez de uma história mais longa.

O estudo descobriu que os modelos de computador foram geralmente melhores em detectar um tique conforme ele ocorria do que em prevê-lo antes de acontecer. O modelo mais bem-sucedido para detecção, que utilizou um tipo específico de rede neural projetada para dados temporais, atingiu um AUC de 0,79. Embora este seja um resultado forte, os pesquisadores observaram que o sistema ainda não é perfeito. Os modelos tiveram mais dificuldade em prever tiques futuros, e seu desempenho variou dependendo da duração da janela de tempo analisada. A equipe também observou que os modelos de computador aprenderam melhor quando foram treinados com dados onde os sinais musculares eram correspondidos com os rótulos de vídeo dos especialistas, em vez de depender apenas dos sinais musculares.

Os pesquisadores foram cuidadosos ao apontar os limites de seu trabalho. Os dados vieram de um grupo específico de pacientes que já haviam passado pela cirurgia de estimulação cerebral profunda, o que pode tornar seus sinais musculares diferentes dos da população geral. Os sensores foram colocados nos braços e no pescoço, o que significa que o sistema não poderia detectar tiques vocais ou tiques faciais que não envolvessem esses músculos específicos. Além disso, os especialistas que rotularam os dados de vídeo nem sempre concordavam perfeitamente sobre quando um tique começava ou terminava, o que introduz uma pequena quantidade de incerteza no processo de treinamento. Apesar dessas restrições, o estudo fornece um marco claro do que é possível. Ele sugere que, para detectar tiques, um sistema precisa de alguns segundos de dados para ter certeza, mas para prevê-los, deve reagir instantaneamente aos sinais mais recentes.

Este trabalho lança as bases para ferramentas futuras que poderiam monitorar a síndrome de Tourette de forma contínua e objetiva. Em vez de depender da memória ou de breves visitas ao consultório, um sistema construído com base nessas descobertas poderia potencialmente rastrear a condição de uma pessoa ao longo de dias ou semanas, fornecendo um quadro completo de seus sintomas. Embora os modelos atuais ainda não estejam prontos para o uso diário, o estudo demonstra que combinar sensores musculares com análise de vídeo e inteligência artificial oferece um caminho promissor. Ao entender exatamente quanto tempo o computador precisa para ver um tique e como ele difere de um movimento voluntário, os cientistas podem começar a projetar sistemas que ajudem a gerenciar a condição de forma mais eficaz, aproximando-se de um futuro onde o tratamento pode ser ajustado com base em dados em tempo real, em vez de estimativas.