Testes de rastreio cognitivo para demências com ênfase na aplicação de Inteligência Artificial: relato de experiência
DOI:
https://doi.org/10.34119/bjhrv8n6-072Keywords:
testes de estado mental e demência, inteligência artificial, disfunção cognitivaAbstract
O declínio cognitivo é uma queixa frequente em Geriatria, Neurologia e Psiquiatria, sendo a avaliação precoce fundamental para identificar demências em estágios iniciais e possibilitar intervenções que melhorem o prognóstico. Considerando os avanços tecnológicos e a incorporação da inteligência artificial (IA) ao rastreamento cognitivo, bem como os desafios ainda existentes em sua aplicação prática, objetiva-se relatar a experiência de um workshop sobre testes de rastreio cognitivo para demências, com ênfase no uso da IA. Para tanto, procede-se à descrição da atividade, realizada em outubro de 2024, em uma universidade do Rio de Janeiro, organizada pela Liga Acadêmica de Geriatria e Gerontologia, conduzida por um médico geriatra e com a participação de nove estudantes de Medicina. O workshop foi dividido em três etapas: apresentação teórica dos testes (MEEM, MoCA, EDG, GAD-7 e Altoida), prática em duplas e discussão final. Observa-se que os estudantes avaliaram positivamente a atividade, destacando a importância da prática, a facilidade das escalas EDG e GAD-7 e os desafios relacionados à ferramenta de IA, que exigiu mediação do instrutor e ambiente controlado. Desse modo, conclui-se que o workshop contribuiu para a capacitação dos participantes e evidenciou a necessidade de treinamento contínuo para otimizar o uso da IA no rastreamento cognitivo.
References
ALMEIDA, L. R.; et al. Doença de Alzheimer: avanços na fisiopatologia, diagnóstico e possibilidades terapêuticas. Brazilian Journal of Health Review, Curitiba, v. 5, n. 2, p. 4310–4325, 2023.
ALOTAIBI, S. D.; ALHARBI, A. A. K. Aprimorando a detecção e classificação automatizadas de demência em indivíduos com comprometimento cognitivo usando técnicas de inteligência artificial. Scientific Reports, v. 15, n. 1, p. 24659, 2025.
ALTOIDA INC. Altoida digital biomarker platform: white paper and validation studies. Houston: Altoida Inc., 2024. Disponível em: https://altoida.com/. Acesso em: 10 set. 2025.
CHANG, H. T.; CHIU, P. Y. Development of a simple screening tool for determining cognitive status in Alzheimer's disease. PLOS One, v. 18, n. 1, 2023.
CHEN, S.; STROMER, D.; ALABDALRAHIM, H. A.; et al. Triagem e pontuação automáticas de demência aplicando aprendizado profundo em testes de desenho de relógio. Scientific Reports, v. 10, n. 1, p. 20854, 2020.
FERREIRA, A. C.; et al. Desafios éticos acerca da inteligência artificial aplicada ao diagnóstico clínico. Brazilian Journal of Health Review, Curitiba, v. 6, n. 3, p. 1421–1435, 2025.
HEMMY, L. S.; LINSKENS, E. J.; SILVERMAN, P. C.; et al. Brief cognitive tests for distinguishing clinical Alzheimer-type dementia from mild cognitive impairment or normal cognition in older adults with suspected cognitive impairment. Annals of Internal Medicine, v. 172, n. 10, p. 678–687, 2020.
KO, H. J.; KIM, J. S.; KIM, W.; et al. A otimização da avaliação cognitiva móvel reduz o tempo de administração, mantendo a precisão da triagem em adultos mais velhos. Scientific Reports, v. 15, n. 1, p. 30356, 2025.
KOSANOVIC, D.; et al. Artificial intelligence for diagnostic and prognostic neuroimaging in Alzheimer’s disease. Alzheimer’s & Dementia, Amsterdam, v. 17, n. 1, p. 104–115, 2021.
KURODA, T.; ONO, K.; ONISHI, M.; et al. Utilidade da análise de voz de conversação baseada em inteligência artificial para detectar o declínio cognitivo. PLOS One, v. 20, n. 6, 2025.
LIBON, D. J.; SWENSON, R.; PRICE, C. C.; et al. Avaliação digital da cognição em doenças neurodegenerativas: uma abordagem baseada em dados que aproveita a inteligência artificial. Frontiers in Psychology, v. 15, p. 1415629, 2024.
OWENS, D. K.; DAVIDSON, K. W.; KRIST, A. H.; et al. Screening for cognitive impairment in older adults: US Preventive Services Task Force recommendation statement. JAMA, v. 323, n. 8, p. 757–763, 2020.
PARSAPOOR, M. Avaliações baseadas em IA de deficiências de fala e linguagem na demência. Alzheimer’s & Dementia: The Journal of the Alzheimer’s Association, v. 19, n. 10, p. 4675–4687, 2023.
PATNODE, C. D.; PERDUE, L. A.; ROSSOM, R. C.; et al. Screening for cognitive impairment in older adults: updated evidence report and systematic review for the US Preventive Services Task Force. JAMA, v. 323, n. 8, p. 764–785, 2020.
RAI, L.; BOYLE, R.; BROSNAN, L.; et al. Prognóstico individualizado baseado em biomarcadores digitais para pessoas em risco de demência: o estudo de validação externa em vários locais do AltoidaML. Advances in Experimental Medicine and Biology, v. 1194, p. 157–171, 2020.
REZAEI, S.; ASADIRAD, F.; MOTAMEDI, A.; et al. Futuro da detecção de Alzheimer: avançando na precisão do diagnóstico por meio da integração de qEEG e inteligência artificial. NeuroImage, p. 121373, 2025.
SANTOS, M. E.; LIMA, F. T. Ferramentas computadorizadas para rastreio cognitivo em idosos: revisão sistemática. Revista Brasileira de Geriatria e Gerontologia, Rio de Janeiro, v. 26, n. 2, p. 1–14, 2023.
SILVA, J. P.; SOUZA, M. C. Aplicação de inteligência artificial em diagnóstico médico: revisão integrativa. Brazilian Journal of Health Review, Curitiba, v. 6, n. 1, p. 987–1002, 2024.
TSAI, A. C.; HONG, S. Y.; YAO, L. H.; et al. Um sistema eficiente de triagem sensível ao contexto para a doença de Alzheimer baseado em testes de neuropsicologia. Scientific Reports, v. 11, n. 1, p. 18570, 2021.
VOGLER, C.; et al. Augmented reality versus standard tests to assess cognition and function in older adults: a validation study of Altoida. Frontiers in Neurology, Lausanne, v. 11, p. 1–12, 2020.
YANG, L.; YAN, J.; JIN, X.; et al. Screening for dementia in older adults: comparison of Mini-Mental State Examination, Mini-Cog, Clock Drawing Test and AD8. PLOS One, v. 11, n. 12, 2016.
YANG, J.; AMINI, S.; HAO, B.; et al. Desenvolvendo uma ferramenta de avaliação de demência acessível: aproveitando uma rede residual, o teste de trilha e dados demográficos. Journal of Alzheimer’s Disease: JAD, 2025.
ZHANG, Y.; et al. Interpretable machine learning models for dementia diagnosis: a systematic review. Journal of Alzheimer’s Disease, Amsterdam, v. 89, n. 3, p. 765–780, 2022.
