Detecção de Alzheimer a partir de dados de escrita manual usando técnicas de aprendizado de máquina

Abstract

A Doença de Alzheimer é uma condição neurodegenerativa progressiva que afeta funções cognitivas e motoras finas, manifestando-se em alterações perceptíveis na escrita manual. Evidências recentes indicam que padrões de escrita podem servir como marcadores precoces da doença, permitindo a identificação de sinais sutis de comprometimento cognitivo. Este trabalho propõe o desenvolvimento e a avaliação de um pipeline de aprendizado de máquina para detecção de Alzheimer a partir de dados de escrita manual, utilizando o dataset DARWIN (Diagnosis Alzheimer With Handwriting), composto por amostras coletadas por meio de dispositivos digitais sensíveis à pressão e ao movimento. O estudo envolve a extração de features temporais/dinâmicas, geométricas/espaciais e de pressão, o pré-processamento dos sinais, e o treinamento de diferentes modelos de classificação — desde algoritmos clássicos, como Logistic Regression, Random Forest e LightGBM, até abordagens profundas baseadas em 1D-CNN. O desempenho é avaliado por métricas robustas, como AUC. Além disso, aplicam-se técnicas de interpretabilidade, como SHAP, para identificar as características mais relevantes e reforçar a compreensão clínica dos resultados. Os experimentos demonstram o potencial do uso de sinais de escrita como ferramenta auxiliar e não invasiva para a detecção precoce do Alzheimer, contribuindo para o avanço de métodos diagnósticos mais acessíveis e interpretáveis.