IA e Doenças Neurológicas Raras e Neuroimunes ── 2026-10-14

2 artigos nesta edição. Destaque: Análise de genes diferencialmente expressos na doença de Alzheimer, na doença de Parkinson e na demência frontotemporal usando algoritmo de aprendizado de máquina

Novos artigos sobre doenças neurológicas raras e neuroimunes e IA, coletados de feeds de periódicos, PubMed (pesquisado em todos os periódicos) e OpenAlex (um índice público usado no lugar do Google Scholar), avaliados pelo Jev (uma IA que faz julgamentos de linguagem): pesquisa original, IA como foco central, qual dos 9 grupos de doenças, tratamento ou ensaios, e depois classificados por importância até um limite diário. Os periódicos não são filtrados por fator de impacto; cada artigo mostra o equivalente ao FI do seu periódico (média de citações em dois anos do OpenAlex) e a data desse valor. Cada entrada mostra o resumo original completo.

Leia por doença: Pesquisa básica（0） · ELA（0） · Parkinson（1） · Neurodegeneração hereditária（0） · Neuromuscular（0） · Esclerose múltipla（0） · NMOSD/MOGAD（0） · Miastenia gravis（1） · Encefalite autoimune/CIDP/SGB（0）

Pesquisa em neurodegeneração e neuroimunologia e IA

Nenhum novo artigo qualificado para esta edição.

ELA: tratamento, ensaios e IA

Nenhum novo artigo qualificado para esta edição.

Doença de Parkinson e parkinsonismo: tratamento, ensaios clínicos e IA

Análise de Genes Diferencialmente Expressos na Doença de Alzheimer, na Doença de Parkinson e na Demência Frontotemporal Usando Algoritmo de Aprendizado de Máquina
CRC Press eBooks · 2026-10-12 · Evidência: Pré-clínica (análise in silico de conjuntos de dados públicos de expressão gênica)
Resumo
As doenças cerebrais, como a Demência Frontotemporal (FTD), a doença de Parkinson (PD) e a doença de Alzheimer (AD), são doenças neurodegenerativas que provocam neuroinflamação e dobramento incorreto de proteínas. No entanto, o diagnóstico dessas doenças continua desafiador devido à complexidade e à variabilidade dos dados. O presente estudo identifica assinaturas moleculares aplicando técnicas de aprendizado de máquina (ML) a conjuntos de dados de microarray curados. Os conjuntos de dados foram coletados do Gene Expression Omnibus (GEO) do National Center for Biotechnology Information (NCBI). Com base na análise em R do GEO (GEO2R), bem como no pacote Limma, foram obtidos os genes expressos (|logFC| ≥ 0.5; adj.P.Val ≤ 0.05). Um modelo de ML com Support Vector Machine (SVM) foi desenvolvido por meio do treinamento e da validação desses genes. O SVM apresentou precisão e recall muito altos. Os mapas de calor garantiram a qualidade dos dados. O trabalho ressalta a capacidade dos biomarcadores estatísticos e do aprendizado coletivo de distinguir perfis de expressão gênica específicos de cada doença, possibilitando, assim, o desenvolvimento de diagnósticos baseados em genes. No futuro, para aumentar a interpretabilidade e melhorar o modelo, dados estruturais genômicos poderão ser incorporados. Isso ajuda a identificar os genes anormais para conclusões posteriores.
IF do periódico: desconhecido (não foi possível correlacionar)
Referência: Manohar Mathkunti N, Rangaswamy S, Varsha VP, Bhat S. Análise de Genes Diferencialmente Expressos na Doença de Alzheimer, na Doença de Parkinson e na Demência Frontotemporal Usando Algoritmo de Aprendizado de Máquina. Interdisciplinary Approaches to Sustainable Research and Development in Science, Technology, and Socio-Economic Studies. 2026 Oct 12 [Epub ahead of print]. doi:10.1201/9781042035762-123.
Verificado: Somente o resumo

Ver todos os 1 artigos de Parkinson →

Doenças neurodegenerativas hereditárias: tratamento, ensaios clínicos e IA

Nenhum novo artigo qualificado para esta edição.

Doenças neuromusculares (distrofia muscular, AME): tratamento, ensaios e IA

Nenhum novo artigo qualificado para esta edição.

Esclerose múltipla: tratamento, ensaios e IA

Nenhum novo artigo qualificado para esta edição.

NMOSD e MOGAD: tratamento, ensaios clínicos e IA

Nenhum novo artigo qualificado para esta edição.

Miastenia gravis: tratamento, ensaios e IA

Modelo explicável de aprendizado de máquina para avaliação personalizada da necessidade de terapia intensiva em pacientes com miastenia gravis com base em fenótipo e marcadores inflamatórios.
QJM : monthly journal of the Association of Physicians · 2026-10-12 · Evidência: estudo observacional retrospectivo
Resumo
CONTEXTO: A identificação precoce de exacerbações graves da miastenia gravis (MG) que exigem internação em unidade de terapia intensiva (UTI) continua sendo um desafio devido à grande heterogeneidade da doença. Os modelos existentes raramente incorporam a estratificação por fenótipo, o que limita a interpretabilidade e a utilidade clínica. OBJETIVO: Este estudo teve como objetivo desenvolver um modelo explicável de aprendizado de máquina (machine learning, ML) para avaliar fatores de risco específicos de cada fenótipo e prever a internação em UTI de pacientes com MG. DESENHO E MÉTODOS: Este estudo retrospectivo incluiu 319 pacientes hospitalizados com MG. Utilizamos variáveis clínicas e marcadores de inflamação sistêmica para a modelagem de ML. Os subgrupos foram pré-especificados pela presença de timoma e pela idade de início. O desfecho primário foi a necessidade de cuidados intensivos durante a hospitalização. O desempenho do modelo foi avaliado. O SHapley Additive exPlanations (SHAP) foi empregado para a interpretação das características globais e individuais. RESULTADOS: Das 319 internações, 33 (10,3%) exigiram cuidados em UTI. Quatro modelos de ML foram treinados com validação aninhada de 3 partições (3-fold). O eXtreme Gradient Boosting teve o melhor desempenho (AUC: 0,94). O SHAP classificou a classificação clínica da MGFA, a infecção durante a internação, o índice de massa corporal e os índices inflamatórios como os principais preditores. As análises de subgrupos revelaram padrões específicos de cada fenótipo, incluindo direções opostas do SHAP para os marcadores inflamatórios entre os grupos com e sem timoma, além de classificações distintas entre os diferentes grupos de idade de início. As explicações personalizadas baseadas em SHAP revelaram variações específicas de cada paciente na classificação de risco e na direção das características preditivas. Foi desenvolvida uma calculadora baseada na web para apoiar a implementação clínica do modelo em tempo real, possibilitando potencialmente a estratificação de risco. CONCLUSÕES: Uma estrutura de aprendizado de máquina explicável que integra características clínicas a índices de inflamação sistêmica prevê de forma confiável a internação em UTI na MG e revela padrões de risco específicos de cada fenótipo, possibilitando a estratificação personalizada de risco no manejo da MG.
Equivalente ao fator de impacto do periódico: 0.5 (média de citações em 2 anos do OpenAlex, valor de 2026-10-13, obtido em 2026-10-14; não é o IF oficial da Clarivate)
Referência: Chang CC, Lin KY, Yeh JH, Chiu HC, Liu TC, Lu CJ. Modelo de aprendizado de máquina explicável para avaliação personalizada da necessidade de cuidados intensivos em pacientes com miastenia gravis com base em fenótipo e marcadores inflamatórios. QJM: An International Journal of Medicine. 2026 Oct 12 [Epub antes da impressão]. doi:10.1093/qjmed/hcag289.
Verificado: Somente o resumo

Ver todos os 1 artigos de Miastenia gravis →

Encefalite autoimune, CIDP e síndrome de Guillain-Barré: tratamento, ensaios e IA

Nenhum novo artigo qualificado para esta edição.

Como os artigos são escolhidos: (1) coletados dos feeds de periódicos, do PubMed (todos os periódicos) e do OpenAlex; (2) editoriais, correções e itens sem termos da área/IA são removidos; (3) o Jev avalia quatro pontos (pesquisa original ≥ 0,6, IA ≥ 0,6, um dos 9 grupos de doenças, tratamento/ensaios ≥ 0,5 para os grupos de doenças); (4) classificados pela importância atribuída pelo Jev até um limite diário (dois por grupo); (5) o equivalente ao fator de impacto só é exibido quando o Jev confirma a correspondência do periódico. Artigos que o Jev não consegue avaliar não são listados.