En un estudio reciente publicado en JAMA Network Open , los investigadores desarrollaron y validaron cuatro modelos de aprendizaje automático (ML) en un conjunto de datos que incluía más de 30.000 participantes para identificar un nuevo algoritmo de ML (llamado ‘AutMedAI’) capaz de detectar de forma temprana el trastorno del espectro autista (TEA) con un mínimo de información médica y de antecedentes.
Sus hallazgos resaltan al algoritmo eXtreme Gradient Boosting (XGBoost) como el modelo ML con mejor rendimiento para estas investigaciones.
En particular, el modelo superó significativamente los cuestionarios convencionales y las aplicaciones de inteligencia artificial (IA) anteriores, necesitando solo un conjunto mínimo (n = 28) de antecedentes de cuidado infantil rutinario y datos médicos para sus predicciones.
Este estudio representa un primer paso prometedor en el ideal de la detección temprana y rutinaria del TEA, ahorrándoles a los pacientes y a sus familias un estrés socioeconómico sustancial y mejorando su calidad de vida
El trastorno del espectro autista (TEA, anteriormente “autismo”) es un término general para un grupo diverso de afecciones neurológicas y del desarrollo que alteran la comunicación, el aprendizaje y el comportamiento de los pacientes y pueden obstaculizar significativamente la comunicación interpersonal.
A pesar de décadas de investigación, el diagnóstico y el tratamiento del TEA siguen siendo un obstáculo clínico y psiquiátrico.
Los informes estiman que el 1% de todos los seres humanos padecen esta afección, con proporciones cercanas al 3% en países desarrollados como Estados Unidos (EE. UU.).
El TEA representa una carga socioeconómica y de salud mental abrumadora tanto para los pacientes como para sus familias.
Si bien los mecanismos psicológicos que sustentan el TEA son multifacéticos y están fuera del alcance del presente trabajo, la detección temprana y las intervenciones posteriores son las mejores formas de recurso para obtener mejores resultados en toda la población.
Los estándares de oro convencionales en la detección del TEA implican el uso de cuestionarios de comportamiento (por ejemplo, “la Lista de verificación modificada para el autismo en niños pequeños”) presentados a los niños o sus cuidadores.
Si bien estos enfoques han reducido sustancialmente la edad de detección del TEA, estos cuestionarios suelen ser muy detallados y requieren experiencia profesional y pruebas especializadas.
Los enfoques de detección modernos buscan aplicar el aprendizaje automático (ML) y modelos similares (IA) para automatizar el proceso, evitando así la necesidad de orientación profesional.
Lamentablemente, estos modelos sólo han sido validados en entornos de investigación y parecen requerir una gran cantidad de datos brutos para realizar predicciones sólidas.
