IA e Doenças Raras Neurológicas e Neuroimunes ── 2026-10-16
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 (2) · Neurodegeneração hereditária（0） · Neuromuscular（0） · Esclerose múltipla（2） · 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
- Resumo
Contexto: A atrofia de múltiplos sistemas (AMS) é frequentemente diagnosticada de forma errada como doença de Parkinson (DP) ou paralisia supranuclear progressiva (PSP), o que representa desafios diagnósticos significativos.
Objetivo: O objetivo do estudo foi avaliar sistematicamente a eficácia do aprendizado de máquina (ML) na diferenciação da AMS de outros distúrbios neurodegenerativos.
Métodos: Realizamos uma busca sistemática no PubMed, Embase, Cochrane Library e Web of Science (até 5 de julho de 2025), incluindo estudos diagnósticos de AMS baseados em aprendizado de máquina. O QUADAS‐2 avaliou o risco de viés, e um modelo bivariado de efeitos mistos sintetizou as métricas diagnósticas.
Resultados: Um total de 51 estudos (compreendendo 3595 pacientes com AMS e 18.189 casos no total) foram incluídos na revisão sistemática. Destes, 38 estudos contribuíram para a síntese quantitativa, enquanto os 13 estudos restantes foram resumidos qualitativamente. Na análise primária comparando AMS com DP, a sensibilidade combinada foi de 0,86 (intervalo de confiança [IC] de 95%: 0,81–0,90), a especificidade de 0,87 (IC de 95%: 0,83–0,90) e a área sob a curva ROC sumária (SROC) (AUC) de 0,93 (IC de 95%: 0,90–0,95). No geral, a sensibilidade combinada foi de 0,85 (IC de 95%: 0,82–0,88), a especificidade de 0,92 (IC de 95%: 0,89–0,94) e a AUC de 0,94 (IC de 95%: 0,92–0,96). Os modelos baseados em tomografia por emissão de pósitrons (PET) alcançaram o desempenho ideal (sensibilidade: 0,90, especificidade: 0,96, AUC: 0,97), enquanto os modelos de aprendizado profundo superaram os demais (sensibilidade: 0,93, especificidade: 0,98, AUC: 0,99).
Conclusão: Modelos de ML que integram dados de PET/ressonância magnética (RM) demonstram alta acurácia diagnóstica para AMS. Trabalhos futuros devem priorizar validação prospectiva multicêntrica e testes externos padronizados para facilitar a implementação clínica.
Equivalente ao IF do periódico: 2.0 (média de citações em 2 anos do OpenAlex, valor em 2026-10-15, obtido em 2026-10-16; não é o IF oficial da Clarivate)Referência: Wang G, Nie C, Liu M. Precisão do aprendizado de máquina no diagnóstico diferencial da atrofia de múltiplos sistemas: uma revisão sistemática e meta-análise. Movement Disord Clin Pract. 2026 Oct 14 [Epub antes da impressão]. doi:10.1002/mdc3.70857.Verificado: Somente o resumo - Resumo
Contexto: A doença de Parkinson (DP) e a paralisia supranuclear progressiva (PSP) são doenças neurodegenerativas que têm o parkinsonismo como característica clínica central. A DP e a PSP são frequentemente diagnosticadas de forma errada nas fases iniciais pela ressonância magnética (RM) convencional. Assim, o objetivo do estudo é avaliar a acurácia de modelos de aprendizado de máquina (AM) baseados em RM para diferenciar a DP da PSP.
Métodos: Este é um estudo retrospectivo que incluiu um total de 96 participantes (32 com DP, 32 com PSP e 32 controles saudáveis). As regiões dos núcleos da base, como substância negra (SN), núcleo caudado (CN), putâmen, globo pálido (GP), núcleo rubro (RN) e núcleo subtalâmico (STN), foram segmentadas manualmente em imagens T2 ponderadas com recuperação de inversão atenuada por fluido (T2W-FLAIR) e as características radiômicas (RF) foram extraídas. As 20 principais RF foram usadas para treinar e testar modelos de ML. Foram avaliadas as medidas de desempenho dos modelos de ML para diferenciar DP, PSP e HC.
Resultados: Para diferenciar a DP da PSP, a SN apresentou consistentemente o melhor desempenho, alcançando valores de acurácia, F1-score e AUC de 0,95–1,00 em todos os modelos de ML testados. O RN e o STN também demonstraram classificação quase perfeita com vários modelos de ML, com valores de acurácia e AUC de 1,00. O CN, o putâmen e o GP mostraram desempenho moderado (acurácia de 38% - 85%). Entre os classificadores, o AdaBoost apresentou desempenho robusto, alcançando AUC de até 0,89 e MCC de até 0,72 nos conjuntos de dados de teste.
Conclusão: Modelos de radiômica baseados em RM da SN, do NST e do NR fornecem a classificação mais precisa entre DP e PSP. Também podem ajudar no diagnóstico de DP e PSP, que são indistinguíveis nas fases iniciais da doença.
Equivalente ao IF do periódico: 1.2 (média de citações em 2 anos do OpenAlex, valor em 2026-10-15, obtido em 2026-10-16; não é o IF oficial da Clarivate)Referência: Khruomo VV, - P, Kadavigere R, Nayak K, Sampathila N, Pendem S, et al. Modelos de aprendizado de máquina baseados em ressonância magnética para diferenciar a doença de Parkinson e a paralisia supranuclear progressiva. F1000Res. 2026 Oct 13;15:1709. doi:10.12688/f1000research.190609.1.Verificado: Somente o resumo
Ver todos os 2 artigos sobre 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
- Resumo
Contexto: O uso de inteligência artificial generativa para criar dados sintéticos é uma estratégia emergente para aprimorar as evidências do mundo real.
Objetivo: Avaliar a validade de dados sintéticos gerados por inteligência artificial para replicar os dados coletados no Registro Italiano de Esclerose Múltipla e Doenças Relacionadas, na avaliação do risco de progressão independente da atividade de surtos sob estratégias de tratamento intensivo precoce e de escalonamento de tratamento.
Métodos: Modelos generativos de inteligência artificial foram treinados em uma subcoorte de 1666 pacientes do Registro Italiano de Esclerose Múltipla e Doenças Relacionadas para gerar um conjunto de dados sintéticos de 4878 pacientes. Foram aplicados o Synthetic vAlidation FramEwork, o Clinical Synthetic Fidelity e o Nearest Neighbor Distance Ratio. Comparações entre estratégias de tratamento foram realizadas com dados reais e sintéticos, com foco na progressão independente da atividade de surtos.
Resultados: Os dados sintéticos demonstraram fidelidade e preservação da privacidade. As estimativas do efeito do tratamento para o tratamento de escalonamento versus o tratamento intensivo precoce foram semelhantes nos conjuntos de dados reais e sintéticos. Os modelos de riscos proporcionais de Cox mostraram que os dados sintéticos preservaram a robustez das estimativas para o risco de um primeiro evento de progressão independente da atividade de recidiva. As associações com fatores de risco radiológicos foram, em geral, semelhantes nos conjuntos de dados reais e sintéticos.
Conclusão: Os dados sintéticos gerados por inteligência artificial replicaram de forma confiável os desfechos de efeito do tratamento dos dados do Registro Italiano de Esclerose Múltipla e Doenças Relacionadas, o que respalda seu uso potencial em contextos de pesquisa clinicamente definidos.
Equivalente ao IF do periódico: 3.5 (média de citações em 2 anos do OpenAlex, valor em 2026-10-15, obtido em 2026-10-16; não é o IF oficial da Clarivate)Referência: Iaffaldano P, D’Amico S, Lucisano G, Copetti M, Guerra T, Rocca MA, et al. Validação de técnicas de inteligência artificial generativa para geração de dados sintéticos na pesquisa em esclerose múltipla: uma comparação com evidências do mundo real do registro italiano de esclerose múltipla. Mult Scler. 2026 Oct 14 [Epub antes da impressão]. doi:10.1177/13524585261492525.Verificado: Somente o resumo - Resumo
A segmentação automatizada de lesões pode apoiar a avaliação quantitativa rápida e reprodutível e o monitoramento de longo prazo da esclerose múltipla. A ressonância magnética (RM) de campo ultra-alto de 7T oferece maior resolução espacial e melhor visibilidade das lesões, mas traz desafios para a análise automatizada, incluindo inomogeneidade de campo, artefatos relacionados à suscetibilidade e contraste de imagem com variação espacial. Embora os métodos de aprendizado profundo tenham bom desempenho em intensidades de campo convencionais, sua aplicação à RM de 7T ainda é pouco explorada. Avaliamos o nnUNet usando apenas FLAIR, apenas MP2RAGE e MP2RAGE+FLAIR combinados. O conjunto de dados incluiu 115 exames longitudinais de RM de 7T de 57 pacientes com EM, com 20 exames de 11 pacientes independentes reservados para teste. O DeepMedic foi incluído como arquitetura comparativa. No conjunto de teste, o nnUNet obteve valores médios de DSC de 0,72, 0,71 e 0,66 para as entradas combinada, apenas MP2RAGE e apenas FLAIR, respectivamente. Não foram observadas diferenças significativas de DSC entre o nnUNet e o DeepMedic. Para ambas as arquiteturas, adicionar FLAIR ao MP2RAGE não mostrou benefício adicional estatisticamente significativo na coorte de teste do presente estudo, enquanto as entradas contendo MP2RAGE superaram significativamente a entrada apenas com FLAIR. Os achados do presente estudo fornecem evidências preliminares que sugerem que o desempenho de segmentação em nível de voxel observado esteve associado principalmente à inclusão do MP2RAGE. No entanto, o desempenho em nível de lesão dependeu do tamanho da lesão, indicando a necessidade de mais investigações sobre os efeitos específicos do contraste na detecção de pequenas lesões.
Equivalente ao IF do periódico: 4.3 (média de citações em 2 anos do OpenAlex, valor em 2026-10-15, obtido em 2026-10-16; não é o IF oficial da Clarivate)Referência: Petrova A, Petrovic I, Berger M, Kravutske Y, Leinkauf J, Rumbak R, et al. Segmentação de lesões de esclerose múltipla baseada em aprendizado profundo a 7 Tesla: comparação entre entradas de RM de contraste único e múltiplo. J Imaging. 2026 Oct 14;12(10):510. doi:10.3390/jimaging12100510.Verificado: Somente o resumo
Ver todos os 2 artigos sobre esclerose múltipla →
NMOSD e MOGAD: tratamento, ensaios clínicos e IA
Nenhum novo artigo qualificado para esta edição.
Miastenia gravis: tratamento, ensaios e IA
- Resumo
Contexto: A estratificação do risco perioperatório na miastenia gravis associada ao timoma continua desafiadora, e a extensão espacial ideal da radiômica de tomografia computadorizada (TC) pré-operatória é incerta. Comparamos cinco representações radiômicas tridimensionais do tumor e da região peritumoral para a discriminação de um desfecho composto perioperatório intra-hospitalar.
Métodos: Este estudo retrospectivo unicêntrico incluiu 145 pacientes (37 eventos). Foram comparadas representações intratumoral, peritumoral por distância física (1, 3 e 5 mm) e integrada tumor mais 3 mm (VOIFusion3mm). Os modelos radiômicos usaram máquinas de vetores de suporte com função de base radial e validação cruzada aninhada de cinco partições, repetida 10 vezes. As comparações pareadas pré-especificadas usaram 2.000 reamostragens bootstrap por cluster de paciente com correção da taxa de falsas descobertas. Também foram realizadas análises de exclusão de características, sem LASSO, de perturbação de fronteira e de incremento clínico.
Resultados: A representação integrada do tumor mais 3 mm teve a maior área sob a curva característica de operação do receptor (AUC) fora da amostra, média em nível de repetição (0,628; intervalo de confiança (IC) de 95%, 0,544–0,714), em comparação com 0,536 para a intratumoral e 0,533 para a peritumoral de 3 mm. As diferenças de AUC foram de 0,092 em relação à intratumoral (IC de 95%, 0,029–0,155; q = 0,009) e de 0,095 em relação à peritumoral de 3 mm (IC de 95%, 0,024–0,173; q = 0,015). A VOIFusion3mm permaneceu mais bem classificada após a exclusão de características e na análise sem LASSO. A AUC média mudou em − 0,093 após erosão interna de 1 mm (IC de 95%, − 0,169 a − 0,015) e em − 0,004 após dilatação externa (IC de 95%, − 0,028 a 0,019). A radiômica não demonstrou discriminação incremental além do modelo clínico pré-especificado, e a calibração foi limitada.
Conclusões: O VOIFusion3mm apresentou maior discriminação de ranking avaliada internamente do que as representações intratumoral e peritumoral isolada de 3 mm, mas a discriminação absoluta foi modesta. A radiômica não demonstrou discriminação incremental além dos modelos clínicos avaliados, e a calibração não deu suporte à estimativa individualizada de risco. O VOIFusion3mm continua sendo uma representação espacial candidata que requer validação externa e não deve orientar decisões perioperatórias individuais. A interpretação é limitada pelo pequeno número de eventos de desfecho, pelo desenho unicêntrico e pela falta de avaliação independente por múltiplos leitores da reprodutibilidade da segmentação.
Equivalente ao IF do periódico: 3.8 (média de citações em 2 anos do OpenAlex, valor em 2026-10-15, obtido em 2026-10-16; não é o IF oficial da Clarivate)Referência: Chai Y, Lu C, Wang Z, Li Z, Li Z, Wang Y, et al. Radiômica integrada de TC do tumor e da região peritumoral para discriminação de eventos perioperatórios na miastenia gravis associada ao timoma: um estudo de coorte retrospectivo. BMC Med Imaging. 2026 Oct 14 [Epub ahead of print]. doi:10.1186/s12880-026-02924-w.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.