Aprendizado de Máquina na Detecção de Doença de Alzheimer utilizando Espectroscopia de Plasma

As doenças neurodegenerativas representam um grupo de distúrbios progressivos do sistema nervoso e incluem a Doença de Parkinson (DP), a Doença de  Alzheimer (DA) e a Esclerose Lateral Amiotrófica (ELA). Apesar das diferenças na patofisiologia, essas condições incluem características como o acúmulo de proteínas mal dobradas e agregadas no cérebro, contribuindo para a degeneração neuronal.  Essas doenças estão intimamente ligadas ao envelhecimento populacional, tornando-se um desafio crescente para a saúde pública. Então, o estudo e a compreensão dos mecanismos moleculares e celulares envolvidos é fundamental para o desenvolvimento de novas estratégias terapêuticas e métodos de diagnóstico precoce. Assim, o presente estudo busca comparar três abordagens de aprendizado de máquina: Random Forest, Gradient Boosting e Multilayer Perceptron, buscando o melhor método para investigar distúrbios neurodegenerativos em um nível mais profundo utilizando o espectro de plasma sanguíneo.   Os dados utilizados nos experimentos computacionais  foram  analises espectroscópicas de amostras de plasma sanguíneo, com o escopo contando com o total de 549 indivíduos, dos quais 164 pacientes com Alzheimer (AD) e 202 indivíduos saudáveis como grupo controle (HC).  A análise comparativa dos resultados  observa-se uma semelhança entre o  Gradient Boosting e o Random Forest, indicando que ambos possuem uma boa capacidade de generalização dos dados. Apesar disso, Random Forest se destacou ao alcançar a maior AUC, sugerindo um desempenho superior na distinção entre classes, enquanto o Gradient Boosting apresentou a maior sensibilidade, sendo mais vantajoso em cenários onde a identificação dos casos positivos é prioritária.