Cкрининг детей с помощью искусственного интелекта | «Биомаркер»

Искусственный интеллект качественно проводит скрининг детей до двух лет на риск аутизма

Новая модель глубокого обучения, по всей видимости, более эффективна, чем широко используемый скрининговый тест на выявления риска аутизма у маленьких детей. Алгоритм, описанный в Science Advances, генерирует прогнозы на основе расстройств, которые часто сопутствуют аутизму.

 

Врачи, как правило, проводят скрининг на предмет аутизма у детей в возрасте 18 и 24 месяца, используя опросники, заполненные родителями, такие как Измененный контрольный список для выявления аутизма у детей младшего возраста (M-CHAT), на точности которого могут сказаться культурные и языковые барьеры. Оказалось, что у большей части детей (85%), которым рекомендовали дальнейшее обследование, не было аутизма. Эти ошибки (ложноположительные результаты) растягивают время ожидания обследования у специалиста и задерживают диагностику и вмешательство у детей, у которых есть аутизм.

 

«Время ожидания от получения позитивного результата скрининга M-CHAT до прохождения обследования на предмет аутизма может занять год», — говорит Ишану Чаттопадхьяй, доцент медицины в Университете Чикаго (Иллинойс).
По его словам, так как новая модель более точна, чем M-CHAT, она может свести к нулю время ожидания диагностики.

 

Исследователи «тренировали» свою модель идентификацию и группировку расстройств на основании диагностических кодов. Расстройства, связанные с аутизмом, включая иммунологические расстройства и инфекционные заболевания, были разделены на 17 категорий. Алгоритм досконально изучил данные электронных медицинских карт более 4 миллионов детей в возрасте 6 лет и младше, включая 15 164 ребенка с аутизмом, из национальной базы данных о страховых исках США. Алгоритм сравнил паттерны сопутствующих расстройств между детьми с аутизмом и детьми-нейротипиками, чтобы сгенерировать шкалу коморбидного риска аутизма (ACoR), оценку вероятности того, что ребенок с определенной историей коморбидных заболеваний в дальнейшем получит диагноз аутизм. Показатели выше определенного порога свидетельствуют о том, что ребенок должен быть направлен на диагностическое тестирование и возможное вмешательство.

 

ACoR точно идентифицировала около 82% детей с аутизмом немногим старше 2 лет; точность повысилась до 90% при идентификации детей в возрасте 4 лет. Дети, отмеченные ACoR, имели, по крайней мере, на 14% выше вероятность аутизма, чем дети, идентифицированные M-CHAT в исследовании 2019 года, проведенном в Детской больнице Филадельфии.
Команда ученых получила похожие результаты, когда они проверили модель на точность, используя данные медицинских карт 377 детей с аутизмом и 37 635 детей без аутизма в возрасте 6 лет и младше, которые наблюдались в медицинском центре Университета Чикаго между 2006 и 2018 годами.

 

В обоих базах данных модель отмечала детей в среднем на два года раньше, чем они получили официальный диагноз.
Точность модели не менялась в зависимости от расы и этнической принадлежности участников исследования. Модель также стабильно работала в разных округах США. Это указывает на то, что она может принести пользу в устранении структурных барьеров, таких как различия в месте проживания, в ведении документации. Кроме того, она смогла провести различия между аутизмом и иными психическими расстройствами с точностью более 90% у детей в возрасте от 2 до 2,5 лет.

 

Исследование показывает, что из 17 категорий коморбидных заболеваний инфекции и иммунологические расстройства были самым точным прогностическим фактором аутизма.
По словам Чаттопадхьяй, следующий важный шаг заключается в проведении проспективного клинического исследования, чтобы «сравнить наш инструмент с существующими инструментами для выяснения того сможем ли мы сократить количество ложноположительных результатов и сократить задержку в диагнозе».
Чаттопадхьяй добавил, что он и его коллеги планируют оценить работу инструмента в скрининге иных расстройств.

 

Reduced false positives in autism screening via digital biomarkers inferred from deep comorbidity patterns. SCIENCE ADVANCES•6 Oct 2021•Vol 7, Issue 41•DOI: 10.1126/sciadv.abf0354
Spectrum News. Deep-learning model may accurately predict autism diagnosis

Задайте свой вопрос 
нашему специалисту

Наши специалисты готовы ответить на вопросы. Гарантия полной анонимности.

Запишитесь на skype-
консультацию

Наши специалисты готовы ответить на вопросы онлайн. Гарантия полной конфиденциальности.

Задайте свой вопрос
нашему специалисту

Наши специалисты готовы ответить на вопросы. Гарантия полной анонимности.

Запросить обратный
звонок

Для уточнения деталей по вопросам сдачи анализов звоните +7 (985) 833-85-25 или оставьте номер ниже и мы наберем вас

ok
Спасибо!

Наши специалисты в ближайшее время
рассмотрят Вашу заявку и свяжутся для
уточнения деталей.