Machine learning para predição de declínio cognitivo subjetivo entre pessoas idosas

Resumo

O declínio cognitivo subjetivo (DCS) pode ser definido como a autopercepção do comprometimento cognitivo progressivo não detectado por meio de testes neuropsicológicos. O objetivo deste estudo foi comparar a performance de algoritmos de inteligência artificial (machine learning) para a predição de DCS (target), utilizando apenas poucas variáveis como preditoras. Utilizou-se dados sociodemográfico, o Questionário de Declínio Cognitivo Subjetivo (QDCS) e a Escala de Depressão Geriátrica (GDS-15). A amostra de 226 participantes foi dividida em duas subamostras, 92 indivíduos sem declínio cognitivo subjetivo (QDCS≤02) e 134 participantes com indicação de declínio cognitivo subjetivo (QDCS>02). Nas inferências estatísticas entre os dois grupos não foram encontradas diferenças significativas para o sexo, idade, escolaridade e estado civil. Para a confecção dos algoritmos, os preditores numéricos foram normalizados (com o uso do escore z) e os dados divididos em treino (70%) e teste (30%). Para a avaliação da performance foram consideradas as áreas abaixo da curva ROC (AUCROC). Logo, nesse cenário, os algoritmos com melhor performance foram o Boosting Classification (AUCROC=0,81) e o Random Forest Classification (AUCROC=0,76), sendo as variáveis preditoras mais importantes a idade e o escore total da GDS-15. Conclui-se que os modelos preditivos para o DCS em pessoas idosas apresentaram resultados promissores com relação à sua habilidade de classificação e pode ser uma ferramenta para rastreamento de grupos de risco para CCL ou demências, auxiliando profissionais de saúde em estratégias preventivas, visando-se retardar a presença de declínio cognitivo.