Como o Sistema de IA de Pesquisadores na Coreia do Sul Pode Ajudar a Prever a Gravidade do TEA

Pesquisadores da Faculdade de Medicina da Universidade Yonsei (YUCM) desenvolveram com sucesso um modelo baseado em aprendizado profundo capaz de diagnosticar Transtorno do Espectro Autista (TEA) e determinar sua gravidade. Ao focar nos comportamentos de atenção conjunta, a equipe visava fornecer uma medida objetiva e quantitativa do TEA, abordando a dependência atual de avaliações clínicas subjetivas. Suas descobertas têm o potencial de melhorar a precisão do diagnóstico e auxiliar no desenvolvimento de ferramentas de triagem precisas para TEA e outros distúrbios neurológicos.

A Universidade Yonsei, localizada na Coreia do Sul, oferece quase 1,000 cursos ensinados em inglês e muitos deles estão abertos para estudantes da CIEE em todos os departamentos, EXCETO medicina, enfermagem, direito, música e cursos no campus remoto International Songdo. Muitos estudantes internacionais escolhem estudar medicina na Coreia com o desejo de aprimorar mais habilidades e desenvolver carreiras. No entanto, não é fácil estudar na Coreia, então você precisa ter preparação acadêmica anterior.

Avaliação objetiva da atenção conjunta

Transtorno do Espectro Autista (TEA) é um distúrbio neurológico e do desenvolvimento que afeta como as pessoas interagem com os outros, se comunicam, aprendem e se comportam. Embora o autismo possa ser diagnosticado em qualquer idade, é descrito como um "distúrbio do desenvolvimento" porque os sintomas geralmente aparecem nos primeiros 2 anos de vida. Os cientistas acreditam que existem múltiplas causas de TEA que atuam juntas para mudar as formas mais comuns de desenvolvimento das pessoas.

A atenção conjunta, envolvendo comportamentos como contato visual, virar a cabeça e desviar o olhar durante interações sociais, é um marcador comportamental crítico para o diagnóstico de TEA. No entanto, a falta de uma medida objetiva e quantitativa para a atenção conjunta apresentou desafios para um diagnóstico preciso. Para abordar isso, a palestrante Ko Chan-young e a professora Park Yu-rang do Departamento de Informática de Sistemas Biomédicos da YUCM desenvolveram um protocolo para avaliar objetivamente os comportamentos de atenção conjunta.

Coleta de dados e modelo de aprendizado profundo

Os pesquisadores gravaram vídeos de comportamentos de atenção conjunta de 95 crianças, incluindo 45 com TEA e 50 sem sintomas de TEA, com idades entre 24 e 72 meses. Esses vídeos abrangiam três tipos de atenção conjunta: iniciação da atenção conjunta (IJA), resposta de baixo nível à atenção conjunta (RJAlow) e resposta de alto nível à atenção conjunta (RJAhigh). Usando este conjunto de dados, a equipe treinou um modelo de aprendizado profundo para distinguir crianças com TEA daquelas sem e prever a gravidade do TEA.

Os pesquisadores avaliaram o desempenho do modelo usando vários indicadores, incluindo a área sob a curva característica de operação do receptor (AUROC), precisão, exatidão e recall. O AUROC mede a precisão diagnóstica de um teste, enquanto a exatidão representa a porcentagem de previsões corretas no conjunto de dados. A precisão avalia a probabilidade de identificar corretamente indivíduos com um resultado de teste positivo, enquanto o recall determina a probabilidade de identificar corretamente indivíduos com a condição.

Resultados impressionantes e avaliação de gravidade

O modelo de aprendizado profundo alcançou desempenho excepcional em todos os três tipos de comportamentos de atenção conjunta. Ao analisar vídeos de IJA como entrada, o modelo demonstrou um AUROC de 99,6%, exatidão de 97,6%, precisão de 95,5% e recall de 99,2%. O desempenho do modelo permaneceu consistente ao analisar os outros dois tipos de comportamentos de atenção conjunta. 

Quanto à avaliação de gravidade, que categoriza a gravidade do TEA em sem sintomas, leve-moderada e grave, o modelo alcançou um AUROC de 90,3%, exatidão de 84,8%, precisão de 76,2% e recall de 84,8% ao analisar vídeos de IJA.

Significância e implicações futuras

Os resultados sugerem que o IJA é uma classificação mais precisa que reflete o desejo e a intencionalidade das crianças pela interação social em comparação com outros comportamentos de atenção conjunta. A professora Park destacou a significância de sua pesquisa, afirmando que o modelo desenvolvido permite a digitalização objetiva dos indicadores comportamentais das crianças para identificar o TEA e avaliar a gravidade dos sintomas. As descobertas têm implicações para o desenvolvimento de ferramentas de triagem e métodos de diagnóstico precisos para TEA e outros distúrbios neurológicos com complexidades comportamentais.

Pesquisadores da Universidade Yonsei fizeram progressos significativos na análise da gravidade do TEA ao desenvolver um modelo baseado em aprendizado profundo. Sua avaliação objetiva dos comportamentos de atenção conjunta oferece uma abordagem mais precisa e quantitativa para diagnosticar o TEA e prever sua gravidade. Este avanço tem o potencial de auxiliar na pesquisa e avaliação clínica, auxiliando no desenvolvimento de ferramentas de triagem e métodos de diagnóstico para TEA e outros distúrbios neurológicos com desafios comportamentais semelhantes. As descobertas publicadas na JAMA Network Open contribuem para avançar a compreensão e o gerenciamento do TEA.

Nota: A imagem em destaque é de Iris, uma criança que tem autismo e se expressou através da pintura. Seus pais vendem suas obras de arte para arrecadar dinheiro para sua terapia privada e obras de arte. Grace também tem Facebook página gerenciado pelos pais chamado “@IrisGracePainting”. Ela vendeu várias obras de arte no Reino Unido e ao redor do mundo.