Um algoritmo de aprendizado de máquina usa traços de EEG para encontrar as chances de um paciente acordar
A consciência é uma ideia peculiar, até mesmo sobrenatural. De três quilos de carne emerge uma consciência do corpo que o abriga e do mundo ao seu redor. Todos nós reconhecemos a consciência quando a vemos, mas o que é realmente? E para onde vai quando se vai? A neurociência não tem as ferramentas para responder a essas perguntas – se é que é realmente possível responder a elas – mas, em um hospital, os médicos precisam ser capazes de diagnosticar a consciência. Eles precisam saber se um paciente com uma lesão cerebral está consciente de si mesmo ou do ambiente. Este diagnóstico ainda é feito principalmente com um simples exame à beira do leito. O paciente está seguindo comandos? Ele está gesticulando ou verbalizando intencionalmente, etc.?
Para os pacientes no limite da consciência – não lúcidos, mas também não comatosos – definir o estado de consciência é difícil. Movimentos e sons sem propósito podem ser parecidos com os propositais. A consciência vem e vai. Em muitos casos, um diagnóstico de alto risco será feito. O paciente está em um estado minimamente consciente, onde há alguma probabilidade de recuperação, ou o paciente recebe um diagnóstico de síndrome de vigília sem resposta, em que as ações são consideradas aleatórias e sem propósito e há pouca esperança de recuperação. Incomodamente, esses diagnósticos estão misturados em até 40% dos casos.
Com muita coisa em jogo, um estudo recente na revista Brain tenta dar uma ajuda aos médicos. O artigo detalha um algoritmo de aprendizado de máquina que distingue a síndrome de vigília não responsiva de um estado minimamente consciente usando gravações de ondas cerebrais de EEG.
O algoritmo, se colocado em uso, tiraria algumas das suposições do diagnóstico e provavelmente teria um desempenho melhor do que a maioria dos médicos humanos. Mas diagnosticar o estado de espírito com um algoritmo gera preocupações éticas. Até que ponto estamos confortáveis em entregar esse tipo de diagnóstico de vida ou morte a uma máquina, especialmente porque nossa percepção da consciência, como uma idéia, é tão mínima?
Olhar para o cérebro em busca de traços de consciência não é uma ideia nova. Durante décadas, pesquisadores vêm estudando como técnicas de varredura do cérebro, como PET e fMRI, poderiam ser usadas para estudar o limite da consciência.
Em um estudo de referência de 2014, as tomografias por emissão de pósitrons (PET) mostraram que cérebros poderiam responder a dicas em alguns pacientes que receberam um (des) diagnóstico de síndrome de vigília sem resposta. O que é mais importante é que os pacientes com PET ativa foram mais propensos a fazer uma recuperação significativa.
Esta descoberta argumenta que as tomografias por emissão de pósitrons devem ser usadas se houver alguma dúvida sobre o estado de consciência do paciente. PET scans, no entanto, não estão disponíveis em todos os hospitais. Eles também são caros, propensos a artefatos e difíceis de interpretar.
Uma alternativa mais acessível é a eletroencefalografia ou EEG, onde os sensores elétricos são colocados no couro cabeludo do paciente, captando a atividade através do crânio. O EEG registra a atividade cerebral como ondas quando neurônios suficientes disparam em uníssono. Em uma pessoa saudável, essas ondas ondulam em freqüências previsíveis. Após uma lesão cerebral, o padrão é menos previsível.
No novo estudo, um grupo do Hospital Pitié-Salpêtrière, em Paris, fez o registro de EEG de 268 pacientes com diagnóstico de síndrome de vigília sem resposta ou estado minimamente consciente. Os EEGs foram gravados antes e durante uma tarefa de escuta projetada para captar o processamento consciente dos sons. Dezenas de aspectos dos dados foram introduzidos em um algoritmo de aprendizado de máquina chamado DOC-Forest.
O DOC-Forest teve um desempenho relativamente bom nessa tarefa complexa. Cerca de 3 dos 4 casos foram diagnosticados corretamente. (Nota: em vez de precisão, os autores usam uma métrica de melhor desempenho chamada AUC. AUC leva em conta a taxa de classificação de falsos positivos, que tem profundas conseqüências aqui.)
Os autores também tiveram o cuidado de empurrar o DOC-Forest para cenários do mundo real. Eles introduziram ruído aleatório nos dados, simulando as diferenças nos procedimentos de coleta de dados. Eles levaram em conta diferentes arranjos de sensores no crânio. Eles também usaram o algoritmo em um conjunto diferente de pacientes de um hospital em Liege, na Bélgica. Em cada caso, o DOC-Forest teve um bom desempenho, com aproximadamente a mesma medida de desempenho.
De uma certa perspectiva, esse algoritmo de aprendizado de máquina é um avanço significativo. Os dados do EEG são complexos e contêm várias dimensões – tempo, frequência, condição de teste, localização dos sensores, etc. Pense nas páginas e nas páginas de ondas onduladas na tela do computador. Normalmente, os pesquisadores se concentram em um punhado de aspectos fáceis de interpretar os dados, dizem a aparência de uma onda cerebral específica durante a tarefa de escuta.
Esse foco na interpretação exclui aspectos potencialmente importantes dos dados. O aprendizado de máquina não tem esse viés humano em relação à capacidade de interpretação e comunicabilidade. Ele apenas se concentra na classificação correta dos dados, o que é tudo o que é necessário aqui.
Se colocado em prática, o DOC-Forest poderia ser uma ferramenta útil para um neurologista inexperiente. O DOC Forest percorrerá as linhas sinuosas dos dados do EEG e fornecerá chances de que o paciente tenha algum nível de consciência que o médico inexperiente errou em seus testes à beira do leito. Há uma circularidade aqui, no entanto. O algoritmo é “treinado” em casos que os neurologistas humanos diagnosticaram com testes à beira do leito. Enquanto o grupo de Pitié-Salpêtrière foi capaz de rastrear pacientes por algum tempo para minimizar diagnósticos errados, o algoritmo apenas associa os sinais de EEG àqueles – embora mais experientes – diagnósticos à beira do leito.
O que, no entanto, de uma forma de consciência que não é revelada em nenhum desses testes, EEG ou outros? Tenha em mente que realmente não sabemos onde e como a consciência surge. Não temos muito sentido das formas que a experiência consciente pode levar além daquelas que experimentamos por nós mesmos. Pode-se argumentar que nossa compreensão mínima do problema significa que não devemos envolver as máquinas ainda.
Por outro lado, não está claro se teremos respostas satisfatórias para essas perguntas. Então, por que não deixar uma ferramenta cuidadosamente projetada, como a DOC-Forest, ajudar a tomar decisões dentro de nossa compreensão atual da consciência. Não há uma resposta fácil, mas é algo que provavelmente deve ser discutido à medida que essas ferramentas se aproximam do uso diário.
Por que não deixar uma ferramenta cuidadosamente projetada, como a Floresta DOC, ajudar a tomar decisões dentro de nossa compreensão atual da consciência? Não há uma resposta fácil, mas é algo que provavelmente deve ser discutido à medida que essas ferramentas se aproximam do uso diário. Por que não deixar uma ferramenta cuidadosamente projetada, como a Doc Forest para, ajudar a tomar decisões dentro de nossa compreensão atual da consciência? Não há uma resposta fácil, mas é algo que provavelmente deve ser discutido à medida que essas ferramentas se aproximam do uso diário.
Adicionar comentário