Improved stacking ensemble learning for objective tinnitus severity assessment based on functional near-infrared spectroscopy signals

Para milhões de pessoas ao redor do mundo, um som fantasma toca constantemente em seus ouvidos. Esta condição, conhecida como zumbido, não é um ruído vindo de uma fonte externa, mas uma percepção criada pelo próprio cérebro. Pode variar de um zumbido suave a um rugido ensurdecedor, muitas vezes interrompendo o sono, o humor e a capacidade de desfrutar a vida cotidiana. Atualmente, os médicos não possuem uma maneira confiável de medir o quão grave é o zumbido para um paciente específico. O diagnóstico padrão baseia-se inteiramente na descrição do sofrimento do paciente por meio de questionários. Como isso depende de sentimentos pessoais e da memória, os resultados podem variar drasticamente de um dia para o outro ou de uma pessoa para outra, tornando difícil acompanhar o progresso ou personalizar os tratamentos. Cientistas há muito esperam encontrar um marcador objetivo, um sinal físico no cérebro que pudesse ser medido como a pressão arterial, para determinar a verdadeira gravidade da condição.

Uma equipe de pesquisadores em Xangai deu um passo significativo em direção a esse objetivo ao combinar uma ferramenta especializada de imagem cerebral com um método sofisticado de aprendizado computacional. Eles focaram na resposta do cérebro ao som, utilizando uma tecnologia chamada espectroscopia funcional de infravermelho próximo. Este dispositivo emite luz infravermelha segura através do crânio para medir mudanças nos níveis de oxigênio no sangue, que atuam como um substituto para a atividade cerebral. Quando o cérebro trabalha mais intensamente, ele consome mais oxigênio, e o fluxo sanguíneo muda de acordo. Ao ouvir um tom específico e observar como os níveis de oxigênio no sangue do cérebro reagem, os pesquisadores capturaram uma assinatura fisiológica única da experiência do zumbido. Eles então alimentaram esses sinais em um novo tipo de algoritmo de computador projetado para aprender padrões que os olhos humanos poderiam perder.

Os pesquisadores recrutaram sessenta adultos que sofriam de zumbido subjetivo, o que significa que o ruído estava apenas em suas cabeças e não era causado por um problema mecânico externo. Antes de qualquer escaneamento ocorrer, cada participante completou um questionário padrão para classificar a própria gravidade do zumbido, o qual serviu como a verdade fundamental para o estudo. Os participantes foram então sentados em uma sala silenciosa e equipados com um capacete contendo fontes de luz e detectores. Eles ouviram uma série de tons agudos durante dezoito segundos, seguidos por dezoito segundos de silêncio, repetindo este ciclo seis vezes. Durante esse tempo, o capacete registrou como os níveis de oxigênio em diferentes partes de seus cérebros mudaram. Os pesquisadores focaram em áreas específicas conhecidas por lidar com som e linguagem, como os lobos temporal e frontal, dividindo o fluxo contínuo de dados em pequenos pedaços gerenciáveis para analisar as flutuações sutis.

Para dar sentido a esses dados complexos, a equipe desenvolveu uma versão aprimorada de uma técnica de aprendizado de máquina chamada Stacking. Em uma configuração tradicional, um computador poderia usar vários modelos diferentes para adivinhar a resposta e, em seguida, simplesmente tirar uma média de seus votos. Os pesquisadores acharam essa abordagem simples demais para a natureza ruidosa e intrincada dos sinais cerebrais. Em vez disso, eles construíram um sistema mais colaborativo. Eles utilizaram três tipos distintos de modelos de computador, cada um com sua própria força em detectar padrões, para analisar os sinais cerebrais. Em vez de apenas tirar a média de seus resultados, o novo método permitiu que esses modelos conversassem entre si de uma forma mais avançada. Ele combinou suas previsões, criou novas relações complexas entre os pontos de dados e deu mais influência aos modelos que tiveram melhor desempenho em partes específicas dos dados. Esse processo foi repetido muitas vezes com diferentes agrupamentos de dados para garantir que o resultado final não fosse apenas um golpe de sorte.

Os resultados mostraram uma vantagem clara para essa nova abordagem aprimorada. Quando a equipe testou seu sistema em um grupo de pacientes que nunca havia visto antes, ele identificou corretamente a gravidade do zumbido em 96,31% dos casos. Isso representou um salto significativo em comparação ao método padrão, que alcançou uma precisão de cerca de 90%. O novo sistema foi particularmente bom em distinguir entre os diferentes níveis de gravidade, desde um incômodo leve até um sofrimento severo. Os pesquisadores observaram que, embora a melhoria possa parecer pequena em pontos percentuais, no mundo do diagnóstico médico, passar de 90% para 96% representa uma ferramenta muito mais confiável para os médicos. O sistema traduziu com sucesso a experiência invisível e subjetiva do zumbido nos ouvidos em um número concreto e mensurável baseado em como o cérebro reagiu fisicamente ao som.

Apesar desse sucesso, os autores advertem cautelosamente que o estudo ainda não é uma solução final para a prática clínica. O grupo de pacientes estudado foi relativamente pequeno, e os resultados precisam ser confirmados com um número maior de pessoas para garantir que o método funcione para todos. O estudo também não incluiu um grupo de controle que recebeu um tratamento placebo, portanto, é possível que algumas das mudanças cerebrais tenham sido influenciadas pelas expectativas dos pacientes, em vez do próprio zumbido. Além disso, a tecnologia ainda não foi integrada ao fluxo de trabalho hospitalar, onde um médico poderia utilizá-la em tempo real durante uma consulta. No entanto, o estudo fornece uma prova de conceito robusta. Ele demonstra que, ao monitorar os níveis de oxigênio cerebral e utilizar uma maneira mais inteligente de interpretá-los, é possível ir além do palpite e começar a medir objetivamente uma condição que há muito tempo é definida apenas pelo quanto ela machuca a pessoa que sofre.