El primer conjunto de datos de ultrasonografía infantil de su tipo permite una gran cantidad de investigación

Los investigadores de Skoltech y sus colegas de la Universidad HSE y la Universidad de York han presentado un extenso conjunto de datos de índices derivados de ecografías de tres arterias principales que suministran sangre al cerebro. La muestra consta de 821 participantes, la mayoría de ellos asistiendo a escuelas públicas regulares, lo cual es particularmente valioso ya que la mayoría de los estudios previos trataban con otros grupos de edad o con niños enfermos. El equipo espera que los nuevos datos sirvan como una referencia útil para los médicos y provoquen nuevas investigaciones de desarrollo, sociales y de otro tipo. Por su parte, los autores del estudio en MÁS UNO ya han entrenado un modelo de aprendizaje automático para saber la edad de un niño en función de los índices de ecografía, lo que demuestra que pueden usarse para hacer predicciones significativas.

Si bien los estudios de ultrasonido se basan en equipo médico estándar, como el que se usa en las pruebas de rutina de las mujeres embarazadas, un examen de ultrasonido de las arterias que suministran sangre al cerebro no es algo a lo que normalmente se someta un individuo sin indicaciones médicas muy específicas, particularmente no a una edad temprana. .

«Los estudios de ecografía son más frecuentes en adultos mayores, y la mayoría de los estudios con niños se enfocan en pacientes con trastornos del neurodesarrollo. Nuestra investigación se basó en preguntas de investigación básicas que abordan las diferencias entre grupos de edad, géneros, arterias y hemisferios cerebrales. Específicamente, adoptamos un perspectiva de desarrollo porque, en última instancia, la maduración de los niños está vinculada a su desempeño, como sus calificaciones escolares», comentó la primera autora del estudio, Marie Arsalidou, profesora asociada en la Universidad HSE y profesora adjunta en la Universidad de York.

Los datos están organizados por grupo de edad y género, y los investigadores y médicos pueden usarlos como referencia de desarrollo. Por ejemplo, un médico puede saber si los índices de ecografía de un niño son promedio para su edad o algo inusuales. Además, el conjunto de datos también podría algún día contribuir a sistemas avanzados de apoyo a la toma de decisiones impulsados ​​por inteligencia artificial que podrían beneficiar a la profesión médica.

Para confirmar que la ecografía en realidad puede servir como base para predicciones significativas, el equipo construyó modelos de aprendizaje automático que adivinan la edad de un niño en función de la información derivada de sus ultrasonidos, como la velocidad del flujo sanguíneo y el diámetro de los vasos sanguíneos. Ahora, los investigadores planean crear modelos que intenten predicciones más sofisticadas, particularmente de las habilidades cognitivas de los niños.

El científico investigador sénior Maxim Sharaev, quien dirigió el equipo de Skoltech, agregó: «Otra línea de investigación posible gracias a los nuevos datos sería interpretar las predicciones del modelo. Por ejemplo, con nuestro modelo de predicción de la edad, encontramos los índices de niños y niñas. ser muy similar. Las diferencias fueron principalmente entre los dos hemisferios. También identificamos objetivos de desarrollo que debemos examinar más a fondo, ya que algunos grupos de edad exhibieron diferencias entre hemisferios que fueron mayores que las de otros grupos de edad».

Los modelos de aprendizaje automático diseñados en el estudio no solo son útiles porque muestran que tales predicciones son posibles; los hallazgos también señalan qué aspectos de los datos son más importantes en esas predicciones. «Podemos identificar qué características contribuyeron más a la predicción del modelo e investigarlas como biomarcadores potenciales. Si las pruebas en datos recopilados de forma independiente confirman que esos biomarcadores son indicativos de patología u otros rasgos significativos, se pueden usar para guiar decisiones clínicas y construir mejores modelos neuronales», concluyó Sharaev.