Parkin95: uma plataforma de apoio ao diagnóstico de parkinson integrando modelo preditivo e interface clínica

Abstract

A Doença de Parkinson (DP) é uma enfermidade neurodegenerativa crônica que afeta o sistema nervoso central, comprometendo de forma significativa a função motora. Entre os principais sintomas destacam-se a acinesia (perda de movimentos voluntários), bradicinesia (lentidão motora), rigidez muscular e tremor de repouso. Além dessas manifestações motoras, é comum a presença de redução da expressão facial, instabilidade postural e alterações na fala, como disfonia e disartria. No âmbito emocional e cognitivo, os pacientes frequentemente apresentam quadros de depressão, ansiedade, sintomas psicóticos, prejuízos cognitivos e, em estágios mais avançados, demência. Com o avanço da tecnologia, técnicas de inteligência artificial — especialmente aquelas baseadas em aprendizado de máquina (Machine Learning) — têm sido amplamente estudadas como ferramentas auxiliares no diagnóstico da DP. Neste contexto, o presente trabalho contempla duas vertentes principais: a primeira consiste no desenvolvimento e validação de um modelo computacional baseado em Regressão Logística Regularizada (RLReg), treinado com amostras de voz para classificar indivíduos com ou sem a doença; a segunda refere-se à integração desse modelo à interface Parkin95 — uma aplicação desenvolvida para uso clínico por neurologistas, com o objetivo de apoiar a tomada de decisão diagnóstica. Em síntese, em fase de teste, o modelo alcançou 95% de acurácia, com recall de 100% para casos positivos, ou seja, identificou todos os pacientes com Parkinson sem falsos negativos. Na sequência, em decorrência dos resultados obtidos, desenvolveu-se a plataforma web interativa (Parkin95), implementada em Streamlit, a qual possibilita aos neurologistas inserir dados de pacientes, a partir de amostras de voz, e visualizar predições em tempo real, otimizando o fluxo clínico. Como proposta futura, considera-se a expansão do sistema para integrar outros tipos de dados, como exames de imagem e sinais motores, além da migração do trabalho para um framework mais robusto, com o intuito de aprimorar a precisão do diagnóstico e o monitoramento da progressão da doença.