Cómo la IA podría ayudar a detectar el autismo en niños
Proceso de administración de ADI-R. El padre es entrevistado por un médico. Los médicos hacen preguntas abiertas que están vinculadas a un elemento y escuchan las respuestas de un padre. Por lo general, el médico escucha y pregunta sobre ejemplos específicos del comportamiento del niño en relación con el tema en cuestión. El médico registra una calificación basada en la información presentada y puede dejar notas para sí mismo. Una vez completada la entrevista, el médico usa sus calificaciones registradas para completar el algoritmo ADI-R que calcula si el niño cumple con los umbrales de corte del instrumento para ASD. Crédito: DOI: 10.1038/s41598-021-90000-4
Para los niños con trastorno del espectro autista (TEA), recibir un diagnóstico temprano puede marcar una gran diferencia en la mejora del comportamiento, las habilidades y el desarrollo del lenguaje. Pero a pesar de ser una de las discapacidades del desarrollo más comunes, que afecta a 1 de cada 54 niños en los EE. UU., no es tan fácil de diagnosticar.
No existe una prueba de laboratorio ni una única causa genética identificada; en cambio, los médicos observan el comportamiento del niño y realizan entrevistas estructuradas con los cuidadores del niño en base a cuestionarios. Pero estos cuestionarios son extensos, complicados y no infalibles.
«Al tratar de discernir y estratificar una condición compleja como el trastorno del espectro autista, saber qué preguntas hacer y en qué orden se convierte en un desafío», dijo la Universidad de USC. Profesor Shrikanth Narayanan, Niki and Max Nikias Chair in Engineering y profesor de ingeniería eléctrica e informática, informática, lingüística, psicología, pediatría y otorrinolaringología.
«Como tal, este sistema es difícil de administrar y puede producir falsos positivos, o confundir el TEA con otras condiciones comórbidas, como el trastorno por déficit de atención con hiperactividad (TDAH)».
Como resultado, muchos niños no reciben los tratamientos que necesitan en un momento crítico.
Un equipo interdisciplinario dirigido por investigadores de informática de la USC, en colaboración con expertos clínicos e investigadores en autismo, espera mejorar esto mediante la creación de un sistema más rápido, más confiable y más accesible para evaluar a los niños en busca de TEA. El método basado en IA toma la forma de una prueba adaptativa por computadora, impulsada por aprendizaje automático, que ayuda a los profesionales clínicos a decidir qué preguntas hacer a continuación en tiempo real en función de las respuestas anteriores de los cuidadores.
«Nosotros quería maximizar el poder de diagnóstico de la entrevista poniendo a prueba al médico con un algoritmo que puede ser más curioso si es necesario, pero que también tratará de no hacer más preguntas de las necesarias», dijo el autor principal del estudio, Victor Ardulov, un doctorado en ciencias de la computación estudiante asesorado por Narayanan. «Al entrenar el algoritmo de esta manera, lo está optimizando para que sea lo más efectivo posible con la información recopilada hasta el momento».
Además de Narayanan y Ardulov, coautores del estudio publicado en Scientific Reports son Victor Martinez y Krishna Somandepalli, ambos recientes USC Ph.D. graduados; los investigadores de autismo Shuting Zheng, Emma Salzman y Somer Bishop de la Universidad de California en San Francisco; y Catherine Lord de la Universidad de California en Los Ángeles.
Un juego de 20 preguntas
En el estudio, el equipo de investigación de informáticos y psicólogos clínicos analizó específicamente diferenciar entre ASD y TDAH en niños en edad escolar. Tanto el TEA como el TDAH son trastornos del neurodesarrollo, que a menudo se diagnostican erróneamente entre sí. Los comportamientos exhibidos por un niño debido al TDAH, como la impulsividad o la incomodidad social, pueden parecerse al autismo y viceversa.
Como tal, los niños pueden ser señalados como en riesgo de condiciones que pueden no tener, lo que podría retrasar la evaluación, el diagnóstico y la intervención correctos. De hecho, el autismo puede sobrediagnosticarse hasta en un 9 % de los niños, según un estudio realizado por los Centros para el Control y la Prevención de Enfermedades y la Universidad de Washington.
Para ayudar a llegar a un diagnóstico, el médico evalúa las habilidades de comunicación y los comportamientos sociales del niño reuniendo un historial médico y haciendo preguntas abiertas a los cuidadores. Las preguntas cubren, por ejemplo, comportamientos repetitivos o rituales específicos, que podrían ser características del autismo.
Al final del proceso, un algoritmo ayuda al médico a calcular una puntuación, que se utiliza como parte del diagnóstico. . Pero las preguntas que se hacen no cambian de acuerdo con las respuestas del entrevistado, lo que puede generar superposición de información y redundancia.
«Esta idea de que tenemos todos estos datos y calculamos todos los números al final no es realmente un buen proceso de diagnóstico», dijo Ardulov. «Los diagnósticos son más como jugar un juego de 20 preguntas. ¿Qué es lo siguiente que puedo preguntar que me ayude a hacer el diagnóstico de manera más efectiva?»
Maximizar la precisión del diagnóstico
En cambio, los investigadores El nuevo método actúa como un diagrama de flujo inteligente, se adapta en función de las respuestas anteriores del encuestado y recomienda qué elemento preguntar a continuación a medida que se dispone de más datos sobre el niño.
Por ejemplo, si el niño es capaz de sostener una conversación, se puede suponer que tienen habilidades de comunicación verbal. «Entonces, nuestro modelo podría sugerir preguntar primero sobre el habla y luego decidir si preguntar sobre las habilidades de conversación en función de la respuesta. Esto equilibra efectivamente la minimización de consultas, mientras maximiza la información recopilada», dijo Ardulov.
Usaron Q- aprendizaje un método de entrenamiento de aprendizaje por refuerzo basado en recompensar los comportamientos deseados y castigar los no deseados para sugerir qué elementos seguir para diferenciar entre trastornos y hacer un diagnóstico preciso.
«En lugar de limitarnos a analizar las respuestas al final, dijo: esta es la siguiente mejor pregunta para hacer durante el proceso», dijo Ardulov. «Como resultado, nuestros modelos son mejores para hacer predicciones cuando se les presenta menos información».
La prueba no pretende reemplazar el diagnóstico de un médico calificado, dijeron los investigadores, sino ayudarlos a hacer el diagnóstico más de forma rápida y precisa.
«Esta investigación tiene el potencial de permitir que los médicos realicen el proceso de diagnóstico de manera más efectiva, ya sea de manera más oportuna o aliviando parte de la tensión cognitiva, que se ha demostrado que reduce el efecto del agotamiento», dijo Ardulov.
«También podría ayudar a los médicos a clasificar a los pacientes de manera más eficiente y llegar a más personas al actuar como un método de detección en el hogar basado en una aplicación».
Aunque aún queda trabajo por hacer antes de que esta tecnología esté lista para su uso clínico, Narayanan dijo que es una prueba de concepto prometedora para las interfaces adaptativas en el diagnóstico de trastornos de la comunicación social, y posiblemente más.
«Tal enfoque es verdaderamente significativo debido a su aplicabilidad no solo dentro de A SD», dijo Narayanan. «También podría ayudar a diagnosticar numerosas afecciones de salud mental y conductual a lo largo de la vida y en todo el mundo, incluidos el trastorno de ansiedad, la depresión, la adicción y la demencia, que dependen de procedimientos similares para comprenderlas y tratarlas».
Explore más
La terapia para bebés que muestran signos tempranos de autismo reduce la posibilidad de un diagnóstico clínico a los tres años Más información: Victor Ardulov et al, Clasificación de diagnóstico robusta a través de Q-learning, Scientific Informes (2021). DOI: 10.1038/s41598-021-90000-4 Información de la revista: Scientific Reports
Proporcionado por la Universidad del Sur de California Cita: Cómo la IA podría ayudar a detectar el autismo en children (2021, 7 de diciembre) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2021-12-ai-screen-autism-children.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.