Análise de texto de autoria de paciente para o diagnóstico de Alzheimer - RSL

Abstract

A DA representa um dos maiores desafios de saúde pública global, e os métodos diagnósticos convencionais frequentemente se mostram invasivos, de alto custo ou com baixa sensibilidade em estágios iniciais. Nesse cenário, o Processamento de Linguagem Natural (PLN) e o Aprendizado de Máquina (ML) emergem como ferramentas promissoras e não invasivas. A RSL compilou e sintetizou evidências sobre como essas tecnologias identificam biomarcadores digitais na linguagem produzida por pacientes. Os resultados indicam que técnicas baseadas em PLN e ML, especialmente modelos de deep learning como Transformers, demonstram confiabilidade superior ou comparável aos testes tradicionais, com destaque para a detecção de padrões lexicais, semânticos, sintáticos e acústicos alterados. A capacidade de coletar e analisar dados remotamente confere a essas abordagens um potencial significativo para o rastreamento e monitoramento da progressão da doença. Apesar dos avanços, persistem desafios relacionados à escassez de datasets diversos, à interpretabilidade dos modelos e à necessidade de validação externa. Este estudo consolida o conhecimento atual, destacando as contribuições das técnicas de análise de texto e apontando direções para futuras pesquisas que visem o desenvolvimento de ferramentas clínicas mais robustas e acessíveis para a DA.

AD poses one of the greatest global public health challenges, and conventional diagnostic methods are often invasive, costly, or lack sensitivity in early stages. In this context, Natural Language Processing (NLP) and Machine Learning (ML) emerge as promising, non-invasive tools. The SLR compiled and synthesized evidence on how these technologies identify digital biomarkers in patient-produced language. Results indicate that NLP and ML-based techniques, particularly deep learning models like Transformers, demonstrate superior or comparable reliability to traditional tests, notably in detecting altered lexical, semantic, syntactic, and acoustic patterns. The ability to collect and analyze data remotely gives these approaches significant potential for screening and monitoring disease progression. Despite advances, challenges persist regarding the scarcity of diverse datasets, model interpretability, and the need for external validation. This study consolidates current knowledge, highlighting the contributions of text analysis techniques and outlining directions for future research aimed at developing more robust and accessible clinical tools for AD.