ULTIME NOTIZIE
SELEZIONATO PER TE
SETTIMANALE
RIMANI AL TOP

Le migliori analisi sul mondo delle criptovalute, direttamente nella tua casella di posta.

L'apprendimento automatico prevede i comportamenti aggressivi nei giovani con autismo

DiBrenda KananaBrenda Kanana
Tempo di lettura: 2 minuti.
Apprendimento automatico
  • Uno studio condotto dal Dott. Tales Imbiriba presso la Northeastern University di Boston ha utilizzato l'apprendimento automatico per prevedere il comportamento aggressivo nei giovani affetti da autismo, offrendo la speranza di cure migliori.
  • Lo studio ha dotato i partecipanti di biosensori e ha riscontrato una notevole accuratezza nel prevedere l'aggressività, soprattutto tre minuti prima che si verificasse.
  • Queste scoperte potrebbero portare alla creazione di sistemi sanitari mobili in grado di offrire interventi tempestivi, migliorando la vita delle persone affette da autismo e riducendo l'imprevedibilità del loro comportamento.

 

In uno studio innovativo pubblicato online su JAMA Network Open, i ricercatori hanno sfruttato la potenza dell'apprendimento automatico per prevedere efficacemente comportamenti aggressivi imminenti in giovani pazienti autistici ricoverati. Guidata dal Dott. Tales Imbiriba della Northeastern University di Boston, questa ricerca segna un passo significativo nella comprensione e nella gestione dei comportamenti problematici associati all'autismo.

Lo studio, condotto da marzo 2019 a marzo 2020, si è concentrato su 70 pazienti psichiatrici ricoverati con diagnosi confermata di autismo. Questi individui presentavano comportamenti autolesionistici, disregolazione emotiva o aggressività verso gli altri; 32 di loro presentavano un livello minimo di verbalità e 30 disabilità intellettive.

Dotati di biosensori disponibili in commercio, sono stati registrati i segnali fisiologici periferici dei partecipanti. Il team di ricerca ha analizzato meticolosamente le caratteristiche delle serie temporalitracdai dati dei biosensori perdenti modelli che precedono glidentaggressivi.

Le sessioni di osservazione rivelano intuizioni critiche

I ricercatori hanno condotto 429 sessioni di osservazione e codifica durante il periodo di studio, per un totale di ben 497 ore. In queste sessioni, sono stati documentati 6.665 comportamenti aggressivi, classificati in autolesionismo (59,8%), disregolazione emotiva (31,0%) e aggressività verso gli altri (9,3%).

Il risultato più significativo dello studio risiede nell'efficacia della regressione logistica come classificatore per la previsione del comportamento aggressivo. Questo metodo ha dimostrato una notevole accuratezza, con un'area media sotto la curva ROC (Receiver Operating Characteristic) di 0,80, in particolare nel prevedere il comportamento aggressivo tre minuti prima del suo inizio.

Le implicazioni di questa ricerca sono profonde. Gli autori suggeriscono che questi risultati potrebbero aprire la strada allo sviluppo di sistemi sanitari mobili che forniscano interventi adattivi just-in-time. Questa tecnologia, che potrebbe rivoluzionare il settore, offre nuove possibilità per interventi preventivi. Concentrandosi sulla riduzione dell'imprevedibilità del comportamento aggressivo nei giovani autistici, ha il potenziale per migliorare significativamente la loro qualità di vita.

Trasformare la vita dei giovani ricoverati con autismo

Questo studio rivoluzionario rappresenta un promettente progresso nella ricerca e nelle strategie di intervento sull'autismo. Offre la speranza di migliorare l'assistenza e il supporto per i soggetti autistici che presentano comportamenti problematici. Migliorare la prevedibilità e la gestione di questi comportamenti consente ai giovani ricoverati di impegnarsi più pienamente nelle loro case, scuole e comunità.

Il successo dello studio sottolinea il potenziale dell'apprendimento automatico nel rivoluzionare il modo in cui comprendiamo e ci prendiamo cura delle persone con autismo. Questo approccio innovativo alla previsione dei comportamenti aggressivi offre una nuova dimensione di supporto, precedentemente irraggiungibile. I prossimi passi riguarderanno l'ulteriore perfezionamento e l'applicazione pratica di questi modelli predittivi.

Prospettive future per la cura dell'autismo

Con lo sviluppo e il perfezionamento di questi modelli predittivi, il futuro dell'assistenza all'autismo si rivela promettente. I sistemi sanitari mobili che integrano l'apprendimento automatico potrebbero diventare strumenti preziosi per genitori, caregiver e operatori sanitari, consentendo loro di fornire interventi e supporto tempestivi.

In conclusione, lo studio innovativo condotto dal Dott. Tales Imbiriba dimostra il potere dell'apprendimento automatico nel prevedere i comportamenti aggressivi nei giovani con autismo. Questa ricerca offre la speranza di un futuro migliore per le persone che affrontano le sfide associate all'autismo e apre la strada allo sviluppo di interventi innovativi ed efficaci. Sebbene sia ancora necessario lavorare per tradurre questi risultati in applicazioni pratiche, il potenziale di migliorare la vita delle persone con autismo è un obiettivo che vale la pena perseguire.

Non limitarti a leggere le notizie sulle criptovalute. Cerca di capirle. Iscriviti alla nostra newsletter. È gratis.

Condividi questo articolo

Disclaimer. Le informazioni fornite non costituiscono consulenza di trading. Cryptopolitan/ non si assume alcuna responsabilità per gli investimenti effettuati sulla base delle informazioni fornite in questa pagina. Consigliamotronvivamente di effettuare ricerche indipendentident di consultare un professionista qualificato prima di prendere qualsiasi decisione di investimento.

Brenda Kanana

Brenda Kanana

Brenda vanta oltre 4 anni di esperienza specializzata in criptovalute, intelligenza artificiale e tecnologie emergenti. Ha lavorato presso Zycrypto, Blockchain Reporter, The Coin Republic e ora collabora con Cryptopolitan . La sua laurea in Sociologia conseguita presso la Mombasa Technical University le permette di rimanere in sintonia con le esigenze dei suoi lettori.

ALTRE NOTIZIE
CORSO INTENSIVO DI CRIPTOVALUTE