En la actualidad, no hay pruebas de laboratorio ni una sola causa genética identificada para determinar los trastornos de autismo y TDAH; 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. Como resultado, muchos niños no reciben los tratamientos que necesitan en un momento crítico.
Un equipo interdisciplinario, dirigido por los investigadores de ciencias de la computación de la USC Shrikanth Narayanan y Víctor Ardulov, 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. 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.
El estudio publicado en Nature Research Scientific Reports, 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.
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.
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.
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.