Un equipo interdisciplinario, dirigido por investigadores de ciencias de la computación de la USC, está creando un sistema más rápido, más confiable y más accesible para ayudar a los médicos a evaluar a los niños para detectar trastornos del desarrollo como el autismo y el TDAH.
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, no es tan fácil de diagnosticar.
No hay pruebas de laboratorio ni una sola causa genética identificada; en cambio, los médicos observan el comportamiento del niño y realizan entrevistas estructuradas con los cuidadores del niño basadas en 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 vuelve desafiante», dijo el profesor de la Universidad USC Shrikanth Narayanan,Niki y Max Nikias Catedrático de Ingeniería y profesor de ingeniería eléctrica e informática, ciencias de la computación, lingüística, psicología, pediatría y otorrinolaringología.
«Como tal, este sistema es difícil de administrar y puede producir falsos positivos, o confundir el TEA como otras afecciones 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 ciencias de la computación 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 detectar TEA en los niños. El método basado en IA toma la forma de una prueba adaptativa por computadora, impulsada por el 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.
«Queríamos maximizar el poder de diagnóstico de la entrevista iniciando al médico con un algoritmo que puede ser más curioso si es necesario, pero también trataremos de no hacer más preguntas de las que necesita», dijo el autor principal del estudio, Victor Ardulov, un estudiante de doctorado en ciencias de la computación aconsejado por Narayanan. «Al entrenar el algoritmo de esta manera, lo está optimizando para que sea lo más efectivo posible con la información recopilada hasta ahora».
Además de Narayanan y Ardulov, los coautores del estudio publicado en Nature Research Scientific Reports son Victor Martinez y Krishna Somandepalli, ambos recién graduados de doctorado de la USC; 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.
En el estudio, el equipo de investigación de científicos informáticos y psicólogos clínicos analizó específicamente diferenciar entre TEA y TDAH en niños en edad escolar. El TEA y el TDAH son trastornos del neurodesarrollo, que a menudo se diagnostican erróneamente el uno para el otro: 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 afecciones que tal vez no tengan, lo que podría retrasar la evaluación, el diagnóstico y la intervención correctos. De hecho, el autismo puede ser sobrediagnosticado en hasta el 9% de los niños, según un estudio de los Centros para el Control y la Prevención de Enfermedades y la Universidad de Washington.
Para ayudar a llegar a un diagnóstico, el profesional evalúa las habilidades de comunicación y los comportamientos sociales del niño mediante la recopilación de un historial médico y la realización de preguntas abiertas a los cuidadores. Las preguntas cubren, por ejemplo, comportamientos repetitivos o rituales específicos, que podrían ser características distintivas del autismo.
Al final del proceso, un algoritmo ayuda al profesional a calcular una puntuación, que se utiliza como parte del diagnóstico. Pero las preguntas formuladas no cambian de acuerdo con las respuestas del entrevistado, lo que puede llevar a la superposición de información y redundancia.
«Esta idea de que tenemos todos estos datos, y procesamos 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 ayuda a hacer el diagnóstico de manera más efectiva?»
En cambio, el nuevo método de los investigadores actúa como un diagrama de flujo inteligente, adaptándose en función de las respuestas anteriores del encuestado y recomendando qué elemento preguntar a continuación a medida que haya más datos disponibles sobre el niño.
Por ejemplo, si el niño es capaz de mantener una conversación, se puede suponer que tiene habilidades de comunicación verbal. «Por lo tanto, nuestro modelo podría sugerir preguntar primero sobre el habla y luego decidir si preguntar sobre las habilidades conversacionales en función de la respuesta, lo que equilibra efectivamente la minimización de las consultas, al tiempo que maximiza la información recopilada», dijo Ardulov.
Utilizaron Q-learning, 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 simplemente procesar las respuestas al final, dijimos: aquí está la siguiente mejor pregunta para hacer durante el proceso», dijo Ardulov. Como resultado, nuestros modelos son mejores para hacer predicciones cuando se presentan con menos información».
La prueba no está destinada a reemplazar el diagnóstico de un médico calificado, dijeron los investigadores, sino a ayudarlos a hacer el diagnóstico de manera más rápida y precisa.
«Esta investigación tiene el potencial de permitir a los médicos pasar por el proceso de diagnóstico de manera más efectiva, ya sea de una 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 aplicaciones».
Aunque todavía hay 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 los TEA», dijo Narayanan. «También podría ayudar a diagnosticar numerosas afecciones de salud mental y conductual a lo largo de la vida y a nivel mundial, incluido el trastorno de ansiedad, la depresión, la adicción y la demencia, que dependen de procedimientos similares para comprenderlas y tratarlas».
Fuente: Link