Academia Médica
Academia Médica
Você procura por
  • em Publicações
  • em Grupos
  • em Usuários
loading
VOLTAR

Técnicas de Machine Learning Aprimoram Previsão Precoce do Autismo

Técnicas de Machine Learning Aprimoram Previsão Precoce do Autismo
Comunidade Academia Médica
ago. 21 - 3 min de leitura
000
O diagnóstico precoce do Transtorno do Espectro Autista (TEA) é essencial, pois permite a implementação de intervenções direcionadas que resultam em melhorias substanciais no desenvolvimento de crianças, potencializando significativamente seus resultados a longo prazo.

Um estudo publicado em  JAMA Network Open em 19 de agosto de 2024, pesquisadores destacam o uso de modelos de aprendizado de máquina (Machine Learning) para prever o TEA a partir de um conjunto mínimo de informações médicas e históricos de desenvolvimento. Este avanço poderia transformar a prática clínica ao facilitar diagnósticos mais rápidos e precisos.

No estudo, foram utilizadas informações coletadas pelo projeto SPARK da Simons Foundation, que é a maior base de dados para pesquisa do TEA atualmente. Os pesquisadores desenvolveram o modelo denominado AutMedAI, que se baseia em dados médicos básicos e históricos de desenvolvimento das crianças para fazer as predições. A técnica de machine learning permitiu identificar padrões ocultos nos dados e quantificar fenótipos comportamentais, possibilitando assim um diagnóstico precoce e automatizado.

O modelo AutMedAI demonstrou uma performance robusta, com uma Área Sob a Curva da Característica Operacional do Receptor (AUROC) de 0.895. O modelo conseguiu identificar corretamente 78.9% dos participantes, tanto na presença quanto na ausência de TEA. Notavelmente, o modelo mostrou ser eficaz em captar indivíduos com sintomas mais evidentes, especialmente nas habilidades de comunicação e funcionamento social.

Comparação com Ferramentas Existentes

O AutMedAI foi comparado com ferramentas de triagem tradicionais como M-CHAT-R/F e SCQ, revelando uma sensibilidade e especificidade competitivas. Diferente das ferramentas baseadas em questionários, que podem sofrer com viés e subjetividade, o modelo de machine learning oferece uma abordagem mais consistente e menos propensa a erros de interpretação pessoal ou cultural.

A aplicação de modelos de machine learning para o rastreamento do TEA em ambientes clínicos representa uma inovação significativa, proporcionando uma ferramenta de triagem não invasiva e altamente eficaz. Além disso, os modelos explicativos de machine learning, podem informar os clínicos sobre os fatores subjacentes que levam à detecção do TEA, auxiliando em intervenções direcionadas e acompanhamento apropriado.

Apesar dos resultados promissores, o estudo reconhece a necessidade de validações adicionais para garantir a generalização do modelo em diferentes populações e locais. A combinação de AutMedAI com outras ferramentas objetivas, como o rastreamento ocular ou biomarcadores baseados em cérebro, também foi sugerida como uma área futura de pesquisa.


Este estudo exemplifica o potencial transformador dos modelos de aprendizado de máquina na predição e diagnóstico do TEA, destacando a importância da coleta de dados precoces e abrangentes em clínicas de atendimento infantil. Os resultados são promissores para a validação e uso futuro em configurações clínicas e populacionais, oferecendo esperança para diagnósticos mais rápidos e intervenções mais eficazes para o TEA.


👉🏻 Para mais detalhes sobre esta pesquisa, acesse aqui, o estudo na íntegra. 


Referência:

Rajagopalan SS, Zhang Y, Yahia A, Tammimies K. Machine Learning Prediction of Autism Spectrum Disorder From a Minimal Set of Medical and Background Information. JAMA Netw Open. 2024;7(8):e2429229. doi:10.1001/jamanetworkopen.2024.29229


Denunciar publicação
    000

    Indicados para você