Dados do Trabalho

Título

Brain Age Gap: Avaliando o Envelhecimento Cerebral em uma Amostra Brasileira de Superagers

Descrição sucinta do(s) objetivo(s)

O objetivo deste estudo é prever a diferença entre a idade cerebral e a idade cronológica (Brain Age Gap), incluindo a estimativa de incerteza, utilizando algoritmos de aprendizado de máquina aplicados a dados de ressonância magnética. Além disso, busca-se avaliar a utilidade do modelo em uma população de Superagers, para compreender melhor o envelhecimento cerebral em diferentes contextos.

Material(is) e método(s)

A análise foi conduzida com base na coorte multicêntrica ELSA-Brasil iniciada em 2008 (PASSOS et al., 2014), focando em participantes (50-89 anos) do Centro de Pesquisa de São Paulo. Um grupo de 66 indivíduos (51-89 anos) com z-score total para cognição entre -1 e 1 foi usado para treinar, validar e testar o algoritmo. O grupo SuperAgers foi constituído por 18 indivíduos idosos (>70 anos), com um desempenho da memória tardia semelhante à mediana dos indivíduos entre 46 e 54 anos. As imagens de RM-3DT1w foram processadas com o FreeSurfer para extrair preditores, e as análises seguintes executadas em Python. Uma rotina iterativa baseada em Processos Gaussianos (Figura 1) foi desenvolvida para minimizar erros de validação, incluindo controle de qualidade e técnicas de pré-processamento. A seleção de hiperparâmetros dos modelos Random Forest, SVR, Gradient Boosting e MLP foi otimizada via validação cruzada (10-cv), com estratégias para reduzir viéses de gênero. A incerteza foi mensurada com a técnica MAPIE. A performance foi avaliada com RMSE binned, PICP e Max Statistical Parity. O impacto das features nas previsões foi analisado com SHAP, e o modelo foi testado no grupo de SuperAgers.

Resultados e discussão

A análise preditiva com Gradient Boosting mostrou melhor desempenho, mas sugere ampliação do conjunto de dados. Índices: RMSE binned (3,707), PICP (1), Max Statistical Parity (0,6). As variáveis mais relevantes para a predição encontram-se detalhadas na Figura 2b. O modelo foi eficaz na estimativa da idade cerebral, detectando BAG negativo em SuperAgers (Figura 2a). Grupo de teste: BAG médio de -0,79 (r = 0,92; p < 0,01); SuperAgers: BAG médio de -7,57 (r = 0,25; p = 0,37).

Conclusões

O modelo de previsão da idade cerebral teve um desempenho satisfatório para a amostra, e foi sensível para representar a caraterística BAG negativa para SuperAgers.

Palavras Chave

machine learning; Superagers; Brain Age Gap

Arquivos