*El aprendizaje automático es un campo de las ciencias de la computación y una rama de la inteligencia artificial que desarrolla técnicas que permitan a las computadoras aprender

Las nuevas tecnologías, los métodos de análisis y el acceso a conjuntos de datos más grandes han traído mejoras reales en el cribado, la diagnosis, y la monitorización de los Trastorno del Espectro Autista (TEA) y otros trastornos del comportamiento. Nuevos instrumentos pueden ayudar en propósitos clínicos y en la investigación. Para TEA y otros trastornos del comportamiento, el aprendizaje automático puede mejorar la función de los instrumentos y validar en referencia al estándar de oro (BEC). En este estudio, el aprendizaje automático fue usado para la entrevista para el diagnóstico de autismo-revisada (ADI-R) y la escala de responsividad social (SRS). Los autores utilizaron el aprendizaje automático para diseñar algoritmos de instrumentos diagnósticos con mejor rendimiento y menor tiempo administrativo.

Los algoritmos existentes de ADI-R y SRS constan de tres componentes: códigos iniciales, dominios totales de subdominios inspirados en el conocimiento, y clasificación final basada en un total general. El enfoque de los autores, basado en datos realiza una suma ponderada de importancia de puntajes de código con un umbral incorporado para optimizar una métrica deseada.

Los autores crearon un nuevo mapeo a partir de los códigos de comportamiento del ADI-R y SRS para BEC. Primero, se usa un clasificador aprendizaje automático para diseñar un algoritmo que puede asignar códigos de instrumento a los diagnósticos de BEC; esta es la fase de entrenamiento. En las evaluaciones, un diagnóstico BEC predicho se deriva de los códigos del instrumento, y  luego se compara con el diagnóstico BEC previamente conocido. Usaron el protocolo estándar de validación cruzada para probar subconjuntos independientes de datos.

Diseñaron un modelo en que el que reduce el tiempo de administración. También,  seleccionaron un parámetro multi-nivel de la validación cruzada. . Los investigadores usaron dato de 1,264 con TEA u otros trastornos del desarrollo, pero todos eran verbales. Se dividieron en dos grupos- menores de 10 años y mayores de 10 años de edad. Los participantes tenían entre 4 y 55 años.

El aprendizaje automático tiene el potencial de mejorar algunos aspectos del diseño instrumento, especialmente al reducir la información redundante y fusionar múltiples instrumentos. Tomando un enfoque combinado a través de múltiples instrumentos como el ADI-R y el SRS, se pueden identificar diferentes métodos de sondeo de comportamientos similares que son más o menos útiles.  En esta manera, el aprendizaje automático puede servir como un instrumento de translación clínica.

Los autores encontraron una fuerte evidencia de que ADI-R  “ever” (incluye comportamientos pasados) es valioso ene l cribado de menores de 10 años. Habiendo identificado ciertas construcciones que parecen ser especialmente salientes para el diagnóstico, los esfuerzos en la  revisión del instrumento pueden enfocarse en aquellas áreas que permitan maximizar la sensibilidad y especificidad.

La investigación futura también debería considerar el diseño de algoritmos específicos para grupos de niños que comparten características similares que se sabe que son importantes cuando se evalúan síntomas de TEA (por ejemplo, edad, sexo, coeficiente intelectual, nivel de lenguaje).

Modificado de: Bone D, Bishop S, Black MP, Goodwin MS, Lord C, Narayanan SS. (2016) Use of machine learning to improve autism screening and diagnostic instruments: effectiveness, efficiency, and multiinstrument fusion. J Child Psychol Psychiatry 57(8): 927–937. doi:10.1111/jcpp.12559.

Foto: https://ricveal.com/blog/machine-learning/