Τα εργαλεία της τεχνητής νοημοσύνης (ΑΙ) φαίνεται πως είναι σε θέση να εντοπίζουν τα πρώιμα σημάδια της διαταραχής φάσματος αυτισμού (ΔΑΦ), χάρη στη μηχανική μάθηση – και μάλιστα με περιορισμένες πληροφορίες. Η πρώιμη ανίχνευση της διαταραχής έγινε εφικτή μέσα από πρόσφατη μελέτη του Karolinska Institutet που δημοσιεύθηκε στο JAMA Network Open.
Το «εξυπνότερο» εργαλείο ανίχνευσης
Η ερευνητική ομάδα χρησιμοποίησε στοιχεία για περίπου 30.000 άτομα από μια μεγάλη αμερικανική βάση δεδομένων (SPARK) με και χωρίς διαταραχές του φάσματος του αυτισμού. Οι ερευνητές ανέπτυξαν τέσσερα διαφορετικά μοντέλα μηχανικής μάθησης για τον εντοπισμό μοτίβων, αναλύοντας έναν συνδυασμό 28 διαφορετικών παραμέτρων. Οι παράμετροι που επιλέχθηκαν ήταν πληροφορίες για τα 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».
Οι εντυπωσιακές δυνατότητές του
Το AutMedAI επιστρατεύτηκε για την ανάλυση περίπου 12.000 ατόμων και κατάφερε να εντοπίσει περίπου το 80% των παιδιών με αυτισμό. Οι δυνατότητές του σε συνδυασμό με τη μελέτη άλλων παραμέτρων, όπως η ηλικία του πρώτου χαμόγελου, η πρώτη σύντομη πρόταση και η παρουσία διατροφικών δυσκολιών (ισχυρών προγνωστικών παραγόντων της διαταραχής φάσματος αυτισμού), ήταν οι πιο ισχυροί προγνωστικοί παράγοντες.
«Τα αποτελέσματα της μελέτης είναι σημαντικά επειδή δείχνουν ότι είναι δυνατόν να εντοπιστούν άτομα που είναι πιθανό να ανήκουν στο φάσμα από σχετικά περιορισμένες και άμεσα διαθέσιμες πληροφορίες», ισχυρίζεται ο πρώτος συγγραφέας της μελέτης, Δρ Shyam Rajagopalan, συνεργαζόμενος ερευνητής στο ίδιο τμήμα του Karolinska Institutet και επί του παρόντος επίκουρος καθηγητής στο Ινστιτούτο Βιοπληροφορικής και Εφαρμοσμένης Τεχνολογίας της Ινδίας.
Η έγκαιρη διάγνωση είναι κρίσιμη, σύμφωνα με τους ερευνητές, για την εφαρμογή αποτελεσματικών παρεμβάσεων που μπορούν να βοηθήσουν τα παιδιά στο φάσμα να αναπτυχθούν με τον καλύτερο δυνατό τρόπο. «Αυτό θα μπορούσε να αλλάξει δραστικά τις συνθήκες για έγκαιρη διάγνωση και παρεμβάσεις και τελικά να βελτιώσει την ποιότητα ζωής πολλών ατόμων και των οικογενειών τους», συμπληρώνει ο Δρ Rajagopalan.
Στη μελέτη, το μοντέλο τεχνητής νοημοσύνης έδειξε καλά αποτελέσματα στον εντοπισμό παιδιών με πιο εκτεταμένες δυσκολίες στην κοινωνική επικοινωνία και τη γνωστική ικανότητα και με γενικότερες αναπτυξιακές καθυστερήσεις.
Η ερευνητική ομάδα σχεδιάζει τώρα περαιτέρω βελτιώσεις και επικύρωση του μοντέλου σε κλινικά περιβάλλοντα. Σε εξέλιξη βρίσκονται επίσης εργασίες για την ενσωμάτωση γενετικών πληροφοριών στο μοντέλο, γεγονός που μπορεί να οδηγήσει σε ακόμη πιο συγκεκριμένες και ακριβείς προβλέψεις.
ygeiamou.gr