Apoyo de la Inteligencia Artificial al diagnóstico de TEA

La inteligencia artificial (IA) es la inteligencia demostrada por las máquinas, a diferencia de la inteligencia natural mostrada por los animales, incluidos los humanos. Los principales libros de texto sobre IA definen este campo como el estudio de los «agentes inteligentes»: cualquier sistema que percibe su entorno y realiza acciones que maximizan sus posibilidades de alcanzar unos objetivos determinados.

Entre las aplicaciones actuales de la IA se encuentran los motores de búsqueda web avanzados (por ejemplo, Google), los sistemas de recomendación (utilizados por YouTube, Amazon o Netflix), la comprensión del habla humana (como Siri y Alexa), los coches autoconducidos (por ejemplo, Tesla), la toma de decisiones automatizada y la competencia al más alto nivel en sistemas de juegos estratégicos (como el ajedrez o el Go).

A medida que las máquinas se vuelven cada vez más capaces, las tareas que se consideran que requieren «inteligencia» se eliminan a menudo de la definición de IA, un fenómeno conocido como el efecto IA. Por ejemplo, el reconocimiento óptico de caracteres se excluye con frecuencia de las cosas consideradas como IA, habiéndose convertido en una tecnología rutinaria.

Los objetivos tradicionales de la investigación en IA incluyen el razonamiento, la representación del conocimiento, la planificación, el aprendizaje, el procesamiento del lenguaje natural, la percepción y la capacidad de mover y manipular objetos. La inteligencia general (la capacidad de resolver un problema arbitrario) se encuentra entre los objetivos a largo plazo de este campo. Para resolver estos problemas, los investigadores en IA han adaptado e integrado una amplia gama de técnicas de resolución de problemas, como la búsqueda y la optimización matemática, la lógica formal, las redes neuronales artificiales y los métodos basados en la estadística, la probabilidad y la economía. La IA también se basa en la informática, la psicología, la lingüística, la filosofía y muchos otros campos.

Para los niños con trastorno del espectro autista (TEA), recibir un diagnóstico precoz puede suponer una gran diferencia a la hora de mejorar su comportamiento, sus habilidades y el desarrollo del lenguaje. Sin embargo, a pesar de ser uno de los trastornos del neurodesarrollo más comunes, no es fácil de diagnosticar. No existe una prueba de laboratorio ni un patrón genético identificado, sino que los profesionales observan el comportamiento del niño y realizan entrevistas estructuradas con sus cuidadores basadas en cuestionarios. Estos cuestionarios son extensos, complicados y no son infalibles. El sistema de diagnóstico es difícil de administrar y puede producir falsos positivos, o confundir el TEA con otras condiciones con la que comparte algún síntoma, como el trastorno por déficit de atención e hiperactividad (TDAH). Como resultado de estos problemas, el diagnóstico se retrasa a menudo y muchos niños no reciben los tratamientos y apoyos que necesitan en un momento crítico de sus vidas.

Un equipo interdisciplinar formado por informáticos, expertos clínicos e investigadores en autismo espera mejorar esta situación creando un sistema más rápido, fiable y accesible para detectar el TEA en los niños. El método se basa en la inteligencia artificial y adopta la forma de una prueba adaptativa por ordenador, impulsada por el aprendizaje automático, que ayuda a los profesionales a decidir qué preguntas hacer en tiempo real basándose en las respuestas previas de los cuidadores.

El objetivo es maximizar el poder de diagnóstico de la entrevista apoyando al experto con un algoritmo que puede ser más curioso si lo necesita, pero que también tratará de no hacer más preguntas de las necesarias. Al entrenar el algoritmo, se optimiza para que sea lo más eficaz posible con la información recogida hasta el momento.

En el estudio, el equipo de investigación se centró específicamente en diferenciar entre el TEA y el TDAH en niños en edad escolar. Tanto el TEA como el TDAH son trastornos del neurodesarrollo que a menudo se diagnostican erróneamente: los comportamientos que presenta un niño debido al TDAH, como la impulsividad o la torpeza social, pueden parecer autismo, y viceversa. Por ejemplo, si el niño es capaz de mantener una conversación, se puede asumir que tiene habilidades de comunicación verbal. El modelo puede sugerir que se pregunte primero por el habla y, a continuación, se decida si se pregunta por las habilidades conversacionales en función de la respuesta, lo que equilibra de forma eficaz la minimización de las consultas y la maximización de la información recopilada.

Los investigadores utilizaron Q-learning -un método de entrenamiento de aprendizaje por refuerzo basado en la recompensa de los comportamientos deseados y el castigo de los no deseados- para sugerir qué elementos debían seguirse para diferenciar los trastornos y hacer un diagnóstico preciso.

En lugar de limitarse a seguir las respuestas hasta el final, el modelo elige la siguiente mejor pregunta que hay que hacer durante el proceso. Como resultado, estos modelos son mejores para hacer predicciones cuando se les presenta menos información. Según los investigadores, la prueba no pretende sustituir el diagnóstico de un clínico cualificado, sino ayudarle a realizarlo con mayor rapidez y precisión.

Esta investigación tiene el potencial de permitir a los clínicos realizar el proceso de diagnóstico de forma más eficaz, ya sea de manera más oportuna o aliviando parte de la tensión. También podría ayudar a los especialistas a clasificar a los niños de forma más eficiente y llegar a más personas al actuar como un método de detección a domicilio, basado en una app. Este enfoque es prometedor pues podría ayudar, a nivel mundial, a diagnosticar numerosos trastornos mentales y del comportamiento a lo largo de la vida, como el trastorno de ansiedad, la depresión, la adicción y la demencia, que dependen de procedimientos similares, lentos, subjetivos y falibles, para su identificación y tratamiento.

Para leer más:

• Ardulov V, Martinez VR, Somandepalli K, Zheng S, Salzman E, Lord C, Bishop S, Narayanan S (2021) Robust diagnostic classification via Q-learning. Sci Rep 11(1): 11730.
• How AI Could Help Screen for Autism in Children. Neurosci News 7 de diciembre de 2021. https://neurosciencenews.com/ai-asd-19766/