El aprendizaje automático ayuda a predecir el TDAH en estudiantes de jardín de infantes

Un equipo de investigación de la Universidad de Alberta ha utilizado con éxito el aprendizaje automático como herramienta para la detección más temprana del trastorno por déficit de atención con hiperactividad (TDAH) en estudiantes de jardín de infantes.

En un estudio reciente publicado en el diario Más salud digitalel equipo analizó registros de salud provinciales no identificados y evaluaciones de desarrollo de maestros para predecir con precisión qué estudiantes serían diagnosticados con TDAH en los siguientes cuatro años.

«Al aplicar el aprendizaje automático a estos datos, podemos predecir el TDAH dentro de varios años para estos niños», explica el investigador principal Bo Cao, profesor asociado de psiquiatría, profesor adjunto de ciencias de la computación y catedrático de investigación de Canadá en psiquiatría computacional.

«El objetivo a largo plazo de la investigación es centrarse en poblaciones de alto riesgo y ver si existen factores modificables para que podamos reducir el riesgo», dice Cao.

«El TDAH no identificado puede tener un gran impacto en la trayectoria de desarrollo de los niños porque si no pueden seguir la clase en el jardín de infantes, se vuelve más difícil en los grados posteriores», dice el primer autor Yang Liu, investigador asociado en el Laboratorio de Psiquiatría Computacional. .

El equipo de investigación también incluyó contribuyentes de Alberta Health y el Alberta Machine Intelligence Institute.

El TDAH es el trastorno del desarrollo neurológico más común en los niños y afecta entre el cinco y el nueve por ciento de los niños y entre el tres y el cinco por ciento de los adultos, según el Centro para la Concientización sobre el TDAH de Canadá.

Hay tres tipos de TDAH: hiperactivo, falta de atención y una combinación de ambos. Los síntomas pueden incluir impulsividad, dificultades de aprendizaje y mala autorregulación emocional. La edad promedio de diagnóstico es de siete años para los niños y 12 para las niñas. En Alberta, los tratamientos que se ofrecen incluyen terapia conductual, asesoramiento y medicación.

El equipo analizó los registros de 23.247 niños que estaban en el jardín de infantes en Alberta en 2016. No se incluyeron los niños que ya habían sido diagnosticados con TDAH. En los siguientes cuatro años, 1.680 o el 7,2 por ciento de los niños estudiados recibieron un diagnóstico de TDAH.

El equipo de estudio cruzó datos administrativos de salud con los resultados de una herramienta de evaluación del desarrollo utilizada por los maestros, el Instrumento de Desarrollo Temprano. Los maestros de jardín de infantes completan el cuestionario para medir si los niños cumplen con las expectativas de desarrollo de salud física, competencia social, madurez emocional, desarrollo cognitivo y del lenguaje, habilidades de comunicación y conocimientos generales. Los resultados se agrupan para ofrecer una instantánea de cómo les va a los niños en las escuelas, barrios, ciudades o provincias.

Los datos de salud incluían registros como problemas de salud al nacer, salud mental anterior de las madres y número de visitas de los niños al departamento de emergencias, así como información demográfica por vecindario, como el tamaño del hogar, el porcentaje promedio de ingresos gastados en vivienda y niveles de educación.

El algoritmo predijo diagnósticos futuros de TDAH con un área bajo la curva (AUC) de 0,81 cuando utilizó la combinación de datos de los registros médicos y la herramienta de evaluación. El AUC es una métrica utilizada para evaluar el rendimiento de la predicción del modelo, donde un AUC de 1 representa un rendimiento perfecto.

El equipo informa que los principales factores predictivos para un menor riesgo de diagnóstico futuro de TDAH fueron buenas estrategias de aprendizaje y habilidades sociales informadas por los maestros, hablar inglés o francés como segundo idioma (ESL/FSL) y ser mujer. Los factores predictivos de un mayor riesgo incluyeron comportamiento de falta de atención en el aula, antecedentes de visitas a hospitales de salud mental, mayor educación en el vecindario, problemas de salud mental materna, mayor gasto relativo en vivienda y mayor tamaño del hogar.

Cao y Liu advierten que ninguno de estos factores puede considerarse de forma aislada, ya que probablemente sean interdependientes y su impacto justifica estudios futuros. Por ejemplo, los profesores y los padres pueden estar más alerta al TDAH en los niños en comparación con los estudiantes de ESL o las niñas, lo que lleva a un retraso relativo en el diagnóstico para esos grupos. El equipo espera desarrollar modelos predictivos más especializados para estos subgrupos de estudiantes y también seguirlos durante más tiempo.

Cao ha publicado artículos similares utilizando aprendizaje automático y datos de salud para predecir el trastorno por consumo de opioides, la aparición de depresión y otros problemas de salud mental. Señala que, si bien es alentador ver que la IA puede proporcionar conocimientos de diagnóstico, por ahora muchas de sus aplicaciones potenciales aún se encuentran en la etapa de investigación.

«Sabemos que el uso de datos y aprendizaje automático puede agregar valor, pero ¿cuál es exactamente ese valor? ¿Cuáles son los riesgos y cómo se puede utilizar este modelo en el mundo real?» pregunta. «Necesitamos involucrar a las partes interesadas, los miembros de la comunidad y las personas con experiencias vividas para asegurarnos de respetar la privacidad y las diferentes culturas, evitar el estigma y todo tipo de cosas.

«Espero que este modelo sirva como trampolín para intervenciones anteriores, permitiendo que los niños con TDAH reciban apoyo cuando más lo necesitan», afirma Cao.