Ένα νέο μοντέλο μηχανικής μάθησης μπορεί να προβλέψει τον αυτισμό σε μικρά παιδιά από σχετικά περιορισμένες πληροφορίες, σύμφωνα με μια νέα μελέτη του Karolinska Institutet, που δημοσιεύτηκε στο περιοδικό JAMA Network Open. Αυτό το μοντέλο μπορεί να διευκολύνει την έγκαιρη ανίχνευση του αυτισμού, κάτι που είναι σημαντικό για την παροχή της σωστής υποστήριξης.
Η Kristiina Tammimies, Αναπληρώτρια Καθηγήτρια στο KIND, Τμήμα Υγείας Γυναικών και Παιδιών, Ινστιτούτο Karolinska, συγγραφέας της μελέτης, λέει: «Με ακρίβεια σχεδόν 80% για παιδιά κάτω των δύο ετών, ελπίζουμε ότι αυτό θα είναι πολύτιμο εργαλείο για την υγειονομική περίθαλψη».
Η ερευνητική ομάδα χρησιμοποίησε μια μεγάλη βάση δεδομένων των ΗΠΑ (SPARK) με πληροφορίες περίπου 30.000 ατόμων με και χωρίς διαταραχές του φάσματος του αυτισμού.
Αναλύοντας έναν συνδυασμό 28 διαφορετικών παραμέτρων, οι ερευνητές ανέπτυξαν τέσσερα διαφορετικά μοντέλα μηχανικής μάθησης για τον εντοπισμό προτύπων στα δεδομένα. Οι παράμετροι που επιλέχθηκαν ήταν πληροφορίες για παιδιά που μπορούν να ληφθούν χωρίς εκτεταμένες αξιολογήσεις και ιατρικές εξετάσεις πριν από την ηλικία των 24 μηνών. Το μοντέλο με τις καλύτερες επιδόσεις ονομάστηκε “AutMedAI”.
Μεταξύ περίπου 12.000 ατόμων, το μοντέλο AutMedAI κατάφερε να αναγνωρίσει περίπου το 80% των παιδιών με αυτισμό. Σε συγκεκριμένο συνδυασμό με άλλες παραμέτρους, η ηλικία του πρώτου χαμόγελου, η πρώτη σύντομη πρόταση και η παρουσία διατροφικών δυσκολιών ήταν ισχυροί προγνωστικοί παράγοντες του αυτισμού.
Ο Shyam Rajagopalan, άλλος συγγραφέας της μελέτης, συνεργαζόμενος ερευνητής στο ίδιο τμήμα στο Karolinska Institutet και επί του παρόντος επίκουρος καθηγητής στο Ινστιτούτο Βιοπληροφορικής και Εφαρμοσμένης Τεχνολογίας της Ινδίας, λέει: «Τα αποτελέσματα αυτής της μελέτης είναι σημαντικά γιατί δείχνουν ότι είναι είναι δυνατό να εντοπιστούν άτομα που είναι πιθανό να έχουν αυτισμό από σχετικά περιορισμένες και άμεσα διαθέσιμες πληροφορίες».
Σύμφωνα με τους ερευνητές, η έγκαιρη διάγνωση είναι κρίσιμη για την εφαρμογή αποτελεσματικών παρεμβάσεων που μπορούν να βοηθήσουν τα παιδιά με αυτισμό να αναπτυχθούν βέλτιστα.
«Αυτό το εργαλείο μπορεί να αλλάξει δραστικά τις συνθήκες για έγκαιρη διάγνωση και παρεμβάσεις και τελικά να βελτιώσει την ποιότητα ζωής για πολλά άτομα και τις οικογένειές τους», λέει ο Rajagopalan.
Στη μελέτη, το μοντέλο AI έδειξε καλά αποτελέσματα στον εντοπισμό παιδιών με περισσότερες δυσκολίες στην κοινωνική επικοινωνία και τη γνωστική ικανότητα και με περισσότερες αναπτυξιακές καθυστερήσεις.
Η ερευνητική ομάδα σχεδιάζει τώρα περαιτέρω βελτιώσεις και επικύρωση του μοντέλου σε κλινικές συνθήκες. Γίνονται επίσης εργασίες για τη συμπερίληψη γενετικών πληροφοριών στο μοντέλο, κάτι που μπορεί να οδηγήσει σε ακόμη πιο συγκεκριμένες και ακριβείς προβλέψεις.
«Για να διασφαλιστεί ότι το μοντέλο είναι αρκετά αξιόπιστο για να εφαρμοστεί σε κλινικά πλαίσια, απαιτείται αυστηρή εργασία και προσεκτική επικύρωση. Θέλω να τονίσω ότι στόχος μας είναι το μοντέλο να γίνει ένα πολύτιμο εργαλείο για την υγειονομική περίθαλψη και δεν προορίζεται να αντικαταστήσει την κλινική αξιολόγηση του αυτισμού», λέει ο Tammimies.
Πηγή πληροφοριών:
Οι Shyam Rajagopalan et al. [Machine Learning Prediction of Autism Spectrum Disorder from a Minimal Set of Medical and Background Information, JAMA Network Open (2024)]. DOI: 10.1001/jamanetworkopen.2024.29229
Discussion about this post