Construction and Multi-Model Performance Evaluation of an Intelligent Screening Model for Meige Syndrome Based on Machine Learning

Durante décadas, os médicos enfrentaram um enigma frustrante quando pacientes chegavam com espasmos involuntários nas pálpebras ou caretas na boca. Esses sintomas, que definem uma condição conhecida como síndrome de Meige, frequentemente se parecem exatamente com irritações oculares comuns, como olho seco ou inflamação das pálpebras. Como os sinais externos são tão semelhantes, os pacientes frequentemente recebem tratamento para a condição errada, deixando o verdadeiro distúrbio neurológico sem tratamento por anos. A dificuldade central reside em distinguir um tipo específico de espasmo muscular que se origina no cérebro de problemas oculares simples, uma tarefa que atualmente depende fortemente da experiência de um especialista, em vez de testes claros e objetivos. Sem uma maneira confiável de diferenciar essas condições rapidamente, os pacientes perdem a janela para a intervenção precoce, como injeções direcionadas que podem interromper os espasmos antes que causem danos duradouros.

Uma equipe de pesquisadores da Universidade de Zhengzhou e do Terceiro Hospital Popular da Província de Henan abordou esse desafio de diagnóstico construindo uma nova ferramenta de triagem. Em vez de procurar marcadores químicos complexos no sangue, que exigem trabalho laboratorial demorado, eles recorreram às informações que um médico reúne simplesmente ao fazer perguntas ao paciente. Ao analisar os prontuários médicos de quase 4.000 pessoas, os pesquisadores treinaram sistemas computacionais para reconhecer padrões sutis no histórico clínico de rotina que os seres humanos poderiam perder. Eles testaram quatro abordagens matemáticas diferentes para ver qual delas poderia melhor classificar os pacientes em três grupos distintos: aqueles com síndrome de Meige, aqueles com outras doenças oculares e aqueles que estão completamente saudáveis. O objetivo era criar um método rápido e fácil que um clínico geral pudesse usar para decidir se um paciente precisa da atenção de um especialista.

O estudo começou com a coleta de dados de 3.996 indivíduos, cuidadosamente divididos em três grupos iguais para garantir uma comparação justa. Um grupo consistia de pacientes confirmados com síndrome de Meige, outro incluía pessoas com condições oculares comuns, como olho seco ou blefarite, e o terceiro grupo compreendia indivíduos saudáveis, sem problemas neurológicos ou oculares. Os pesquisadores extraíram do arquivo de cada pessoa doze informações, variando desde idade e sexo até hábitos de estilo de vida, como tabagismo e consumo de álcool, bem como seu histórico médico relacionado a condições como doença da tireoide, qualidade do sono e outros problemas que afetam a face ou a cabeça. Eles então dividiram esses dados, usando a maior parte para ensinar os modelos computacionais a reconhecer as diferenças e reservando uma parte menor para testar o desempenho dos modelos em novos casos não vistos.

Quando os pesquisadores compararam os quatro modelos computacionais, descobriram que uma abordagem, conhecida como rede neural artificial, superou as outras. Esse tipo de modelo é projetado para imitar a maneira como o cérebro humano processa informações complexas, permitindo que ele detecte conexões intrincadas entre diferentes sintomas. No teste final, este modelo identificou corretamente o grupo ao qual o paciente pertencia cerca de 77,7% das vezes e mostrou uma alta capacidade de distinguir entre as três condições. Embora outro modelo chamado floresta aleatória (random forest) tenha ficado em segundo lugar por pouco, ele tendeu a ser menos consistente ao prever os casos mais prováveis. Os outros dois métodos, que dependem de fórmulas estatísticas mais tradicionais, não tiveram um desempenho tão bom nesta tarefa específica. Os resultados sugerem que a rede neural é a ferramenta mais confiável para este trabalho em particular.

Uma parte crucial da pesquisa envolveu a simplificação da ferramenta para torná-la prática para o uso cotidiano. A equipe descobriu que a lista completa de doze perguntas não era necessária; apenas cinco fatores específicos carregavam o maior peso para realizar um diagnóstico preciso. Esses cinco indicadores principais foram a idade do paciente, a qualidade do sono, o histórico de consumo de álcool, se havia histórico de doença da tireoide e se havia qualquer outra condição que afetasse a face, os olhos, o nariz ou o cérebro. Ao focar apenas nesses cinco itens, os pesquisadores criaram uma versão simplificada do modelo que teve um desempenho quase tão bom quanto a versão complexa que utiliza todas as doze variáveis. Esta ferramenta simplificada não requer exames de sangue e pode ser concluída em menos de um minuto, tornando-a viável para uso em clínicas de cuidados primários, onde o tempo e os recursos são limitados.

As descobertas também lançaram luz sobre as características específicas que diferenciam esses grupos. Os dados confirmaram que a síndrome de Meige é mais comum em mulheres entre 55 e 60 anos, um grupo demográfico que apresentou uma prevalência muito maior da condição em comparação ao grupo saudável. A qualidade do sono surgiu como um fator significativo, com pacientes que sofrem de Meige relatando sono ruim com muito mais frequência do que pessoas com doenças oculares ou indivíduos saudáveis. Curiosamente, o estudo descobriu que pacientes com síndrome de Meige eram menos propensos a ter um histórico de consumo de álcool em comparação com adultos saudáveis, uma diferença que os pesquisadores atribuem em parte à idade avançada e à predominância feminina no grupo de pacientes, embora tenham observado que o álcool às vezes pode aliviar temporariamente os sintomas em certos distúrbios do movimento. Outro diferenciador forte foi a presença de outras condições craniofaciais; embora estas fossem raras em pessoas saudáveis, foram surpreendentemente comuns no grupo com outras doenças oculares, ajudando o modelo a distinguir um problema ocular simples de um distúrbio neurológico mais complexo.

Os pesquisadores foram cuidadosos ao notar que seu trabalho possui limitações. Como os dados vieram de um único hospital e foram coletados através da análise de registros passados, os resultados precisam ser confirmados testando o modelo em pacientes de diferentes hospitais e em ambientes de tempo real. Além disso, algumas das informações, como níveis de estresse e qualidade do sono, dependiam das próprias descrições dos pacientes, que podem ser subjetivas. Apesar dessas restrições, o estudo demonstra que uma ferramenta de triagem simples e não invasiva é possível. Ao usar um modelo computacional treinado com apenas cinco perguntas de rotina, os médicos poderão, em breve, ter uma maneira prática de identificar a síndrome de Meige precocemente, garantindo que os pacientes recebam o diagnóstico e o tratamento corretos muito mais cedo do que recebem hoje.