Cómo el Sistema de IA de Investigadores en Corea del Sur Puede Ayudar a Predecir la Severidad del TEA

Investigadores de la Facultad de Medicina de la Universidad Yonsei (YUCM) han desarrollado con éxito un modelo basado en aprendizaje profundo capaz de diagnosticar el Trastorno del Espectro Autista (TEA) y determinar su severidad. Al centrarse en los comportamientos de atención conjunta, el equipo buscaba proporcionar una medida objetiva y cuantitativa del TEA, abordando la dependencia actual de las evaluaciones clínicas subjetivas. Sus hallazgos tienen el potencial de mejorar la precisión del diagnóstico y ayudar en el desarrollo de herramientas de detección precisas para el TEA y otros trastornos neurológicos.

La Universidad Yonsei, ubicada en Corea del Sur, ofrece casi 1,000 cursos enseñados en inglés y muchos de ellos están abiertos a estudiantes de CIEE en todos los departamentos EXCEPTO medicina, enfermería, derecho, música y cursos en el remoto Campus Internacional Songdo. Muchos estudiantes internacionales eligen estudiar medicina en Corea con el deseo de perfeccionar más habilidades y desarrollar carreras. Sin embargo, no es fácil estudiar en Corea, por lo que necesitas tener una preparación académica previa.

Evaluación objetiva de la atención conjunta

Trastorno del espectro autista (TEA) es un trastorno neurológico y del desarrollo que afecta cómo las personas interactúan con otros, se comunican, aprenden y se comportan. Aunque el autismo puede diagnosticarse a cualquier edad, se describe como un "trastorno del desarrollo" porque los síntomas generalmente aparecen en los primeros 2 años de vida. Los científicos creen que hay múltiples causas del TEA que actúan juntas para cambiar las formas más comunes en que las personas se desarrollan.

La atención conjunta, que incluye comportamientos como el contacto visual, el giro de cabeza y el cambio de mirada durante las interacciones sociales, es un marcador conductual crítico para el diagnóstico del TEA. Sin embargo, la falta de una medida objetiva y cuantitativa de la atención conjunta ha planteado desafíos para un diagnóstico preciso. Para abordar esto, la profesora Ko Chan-young y la profesora Park Yu-rang del Departamento de Informática de Sistemas Biomédicos de YUCM desarrollaron un protocolo para evaluar objetivamente los comportamientos de atención conjunta.

Recopilación de datos y modelo de aprendizaje profundo

Los investigadores grabaron videos de comportamientos de atención conjunta de 95 niños, incluidos 45 con TEA y 50 sin síntomas de TEA, de entre 24 y 72 meses de edad. Estos videos abarcaban tres tipos de atención conjunta: inicio de la atención conjunta (IJA), respuesta de bajo nivel a la atención conjunta (RJAlow) y respuesta de alto nivel a la atención conjunta (RJAhigh). Utilizando este conjunto de datos, el equipo entrenó un modelo de aprendizaje profundo para distinguir a los niños con TEA de aquellos sin él y predecir la gravedad del TEA.

Los investigadores evaluaron el rendimiento del modelo utilizando varios indicadores, incluida el área bajo la curva característica operativa del receptor (AUROC), la precisión, la exactitud y la sensibilidad. La AUROC mide la precisión diagnóstica de una prueba, mientras que la exactitud representa el porcentaje de predicciones correctas en el conjunto de datos. La precisión evalúa la probabilidad de identificar correctamente a los individuos con un resultado de prueba positivo, mientras que la sensibilidad determina la probabilidad de identificar correctamente a los individuos con la condición.

Resultados impresionantes y evaluación de la gravedad

El modelo de aprendizaje profundo logró un rendimiento excepcional en los tres tipos de comportamientos de atención conjunta. Al analizar videos de IJA como entrada, el modelo demostró una AUROC del 99,6 %, una exactitud del 97,6 %, una precisión del 95,5 % y una sensibilidad del 99,2 %. El rendimiento del modelo se mantuvo constante al analizar los otros dos tipos de comportamientos de atención conjunta. 

En cuanto a la evaluación de la gravedad, que categoriza la gravedad del TEA en sin síntomas, leve-moderada y grave, el modelo logró una AUROC del 90,3 %, una exactitud del 84,8 %, una precisión del 76,2 % y una sensibilidad del 84,8 % al analizar videos de IJA.

Importancia e implicaciones futuras

Los resultados sugieren que la IJA es una clasificación más precisa que refleja el deseo y la intencionalidad de los niños para la interacción social en comparación con otros comportamientos de atención conjunta. La profesora Park destacó la importancia de su investigación, afirmando que el modelo desarrollado permite la digitalización objetiva de los indicadores conductuales de los niños para identificar el TEA y evaluar la gravedad de los síntomas. Los hallazgos tienen implicaciones para el desarrollo de herramientas de detección y métodos de diagnóstico precisos para el TEA y otros trastornos neurológicos con complejidades conductuales.

Los investigadores de la Universidad de Yonsei han logrado avances significativos en el análisis de la gravedad del TEA mediante el desarrollo de un modelo basado en aprendizaje profundo. Su evaluación objetiva de los comportamientos de atención conjunta ofrece un enfoque más preciso y cuantitativo para el diagnóstico del TEA y la predicción de su gravedad. Este avance tiene el potencial de ayudar en la investigación y la evaluación clínica, facilitando el desarrollo de herramientas de detección y métodos de diagnóstico para el TEA y otros trastornos neurológicos con desafíos conductuales similares. Los hallazgos publicados en JAMA Network Open contribuyen a avanzar en la comprensión y el manejo del TEA.

Nota: La imagen destacada es de Iris, una niña con autismo que se expresó a través de la pintura. Sus padres venden su obra de arte para recaudar fondos para su terapia privada y su obra de arte. Grace también tiene Facebook página manejado por los padres llamado “@IrisGracePainting”. Ha vendido varias obras de arte en el Reino Unido y en todo el mundo.