AI diagnozuje ADHD i autyzm w 15 minut
Nowe badanie wykazało, że zespół nadpobudliwości psychoruchowej z deficytem uwagi (ADHD) i zaburzenia ze spektrum autyzmu (ASD) u dzieci i nastolatków można – stosując narzędzie oparte na czujnikach – zdiagnozować w ciągu zaledwie kwadransa, a dokładność diagnozy sięga 70 proc.
Naukowcy postawili hipotezę, że przypadkowe ruchy ludzi, niezauważalne gołym okiem, zawierają ważne informacje poznawcze. Ruchy te mogą być rejestrowane przez czujniki wysokiej rozdzielczości z częstotliwością około 220 zdjęć na sekundę. Badanie opublikowano w internecie 8 lipca w czasopiśmie „Nature Scientific Reports”.
– Kiedy spojrzymy na skalę milisekund i weźmiemy pod uwagę wszystkie wahania, będziemy w stanie określić, czy dany organizm funkcjonuje słabo, średnio czy bardzo dobrze, a także ocenić całe spektrum jego funkcji i zdolności poznawczych – powiedział dr Jorge V. José, profesor fizyki i adiunkt anatomii w Indiana University School of Medicine w Indianapolis.
– To, co zrobiliśmy przy wstępnej diagnozie zajmującej zaledwie 15 minut, jest niewiarygodne. Byliśmy w szoku – stwierdził w wywiadzie dla „Medscape Medical News”.
Badanie CMS z 2023 r. wykazało, że w 28 proc. amerykańskich ośrodków dla osób z autyzmem czas oczekiwania na diagnozę przekraczał 7 miesięcy, a niektóre placówki były tak przeciążone, że przestały przyjmować nowe skierowania. Badanie przeprowadzone w 2018 roku przez tych samych badaczy zidentyfikowało kluczowe różnice w ruchu między osobami z ASD i bez ASD. Nowe badanie opiera się na tych odkryciach, rozszerzając liczbę zmiennych kinematycznych mierzonych za pomocą czujników Bluetooth o wyższej rozdzielczości oraz uwzględniając pacjentów z ADHD oraz osoby z współistniejącym ASD i ADHD.
Naukowcy wykorzystali modele głębokiego uczenia (Deep Learning) do śledzenia subtelnych biomarkerów ruchu, które różnicują osoby z zaburzeniami neurorozwojowymi (NDD) od osób neurotypowych (NT). Modele te precyzyjnie określiły również diagnozę i stopień nasilenia zaburzeń. W badaniu wzięło udział 92 uczestników w wieku 5 lat i starszych, ze średnią wieku 23,96 roku, z czego 35,9 proc. stanowiły kobiety. Około jednej trzeciej z nich to osoby z zaburzeniami neurorozwojowymi (NT).
Aby zmierzyć ruch, uczestnicy nosili rękawice z czujnikami, gdy sięgali i oddalali rękę w kierunku celu widocznego na ekranie dotykowym około 100 razy przez 15 minut. Model głębokiego uczenia klasyfikował warunki uczestników na podstawie zmiennych kinematycznych, w tym przechyłu, pochylenia i odchylenia (RPY), przyspieszenia liniowego i prędkości kątowej. Aby ocenić skalę problemu, dane przefiltrowano w celu usunięcia szumu czujnika o wysokiej częstotliwości, a losowe fluktuacje kinematyczne poszczególnych osób mierzono za pomocą biometrycznego współczynnika Fano i entropii Shannona.
Zdolność predykcyjna modelu głębokiego uczenia wzrosła wraz z wieloma zmiennymi kinematycznymi (średnia dokładność testu: 71,48 proc.), ale prędkość kątowa przyniosła ograniczone korzyści w tej kombinacji. RPY charakteryzował się największą zdolnością predykcyjną (dokładność testu: 67,83 proc.) w porównaniu z przyspieszeniem liniowym (dokładność testu: 44,44 proc.) i prędkością kątową (dokładność testu: 32,17 proc.).
„Obszar pod krzywą charakterystyki operatora odbiornika (AUC) sugeruje, że możemy z dużą dokładnością przewidzieć stan uczestników NDD” – napisali badacze.
Wartość AUC w zestawach walidacyjnych mieściła się w przedziale od 0,50 do 0,92 i nieznacznie wzrastała, gdy ignorowano prędkość kątową. Model konsekwentnie dobrze radził sobie z różnicowaniem pacjentów z NDD od pacjentów z NT, ale gorzej z identyfikacją współistniejących ADHD i ASD.
Naukowcy zauważyli, że jedną z potencjalnych korzyści wynikających ze stosowania tego narzędzia może być jego zdolność do dostarczania obiektywnych danych na temat stanu pacjenta, zamiast polegania wyłącznie na jakościowych obserwacjach behawioralnych.
Jak przekazał dr José, jego zespół planuje dalsze testowanie systemu w różnych miejscach, w tym w szkołach i klinikach, oraz przeprowadzenie badań longitudinalnych. Nadal jest podekscytowany jego potencjałem w usprawnieniu czasochłonnego i złożonego procesu diagnozowania i określania stopnia zaawansowania NDD.
Komentując badania dla „Medscape Medical News”, Anna Van Meter, psycholog kliniczny i profesor nadzwyczajny w Katedrze Psychiatrii Dziecięcej i Młodzieżowej w Szkole Medycznej Grossman na Uniwersytecie Nowojorskim w Nowym Jorku, stwierdziła, że sztuczna inteligencja ma „zdecydowanie ogromny potencjał” w zakresie pomocy lekarzom w lepszym wykorzystywaniu danych już zebranych od pacjentów oraz, jak wykazano w tym badaniu, w integrowaniu „różnych typów danych”, które historycznie nie były częścią ocen psychiatrycznych. Zaznaczyła jednak, że badania te — choć interesujące — są wciąż na „bardzo wstępnym etapie”. Zwróciła również uwagę, że uczestnicy badania byli na ogół znacznie starsi niż typowy przedział wiekowy dla diagnozy autyzmu, który wynosi poniżej 5 lat w przypadku autyzmu i od 5 do 12 lat w przypadku ADHD.
