Podle nové studie Karolinska Institutet, zveřejněné v časopise JAMA Network Open, může nový model strojového učení předpovídat autismus u malých dětí z relativně omezených informací. Tento model může usnadnit včasnou detekci autismu, což je důležité pro poskytnutí správné podpory.
Kristiina Tammimies, docentka na KIND, Oddělení zdraví žen a dětí, Karolinska Institutet, jedna autorka studie, říká: „S přesností téměř 80 % pro děti mladší dvou let doufáme, že to bude cenný nástroj pro zdravotní péči“.
Výzkumný tým použil velkou americkou databázi (SPARK) s informacemi o přibližně 30 000 jedincích s poruchami autistického spektra i bez nich.
Analýzou kombinace 28 různých parametrů vyvinuli vědci čtyři odlišné modely strojového učení, aby identifikovali vzory v datech. Vybranými parametry byly informace o dětech, které lze získat bez rozsáhlých hodnocení a lékařských testů před 24. měsícem věku. Nejvýkonnější model byl pojmenován „AutMedAI“.
Mezi asi 12 000 jednotlivci byl model AutMedAI schopen identifikovat asi 80 % dětí s autismem. Ve specifické kombinaci s dalšími parametry byly věk prvního úsměvu, první krátká věta a přítomnost obtíží s jídlem silnými prediktory autismu.
Shyam Rajagopalan, další autor studie, přidružený výzkumný pracovník na stejném oddělení Karolinska Institutet a v současnosti odborný asistent na Institutu bioinformatiky a aplikované technologie v Indii, říká: „Výsledky této studie jsou významné, protože ukazují, že je možné identifikovat jedince, kteří pravděpodobně mají autismus, z relativně omezených a snadno dostupných informací“.
Podle vědců je včasná diagnostika zásadní pro zavedení účinných intervencí, které mohou pomoci dětem s autismem se optimálně rozvíjet.
„Tento nástroj může drasticky změnit podmínky pro včasnou diagnostiku a intervence a v konečném důsledku zlepšit kvalitu života mnoha jedinců a jejich rodin,“ říká Rajagopalan.
Ve studii ukázal model AI dobré výsledky při identifikaci dětí s většími potížemi v sociální komunikaci a kognitivních schopnostech a s větším opožděním ve vývoji.
Výzkumný tým nyní plánuje další vylepšení a validaci modelu v klinických podmínkách. Pracuje se také na zahrnutí genetické informace do modelu, což může vést k ještě konkrétnějším a přesnějším předpovědím.
„Aby bylo zajištěno, že model je dostatečně spolehlivý, aby jej bylo možné implementovat v klinických kontextech, je nutná pečlivá práce a pečlivá validace. Chci zdůraznit, že naším cílem je, aby se model stal cenným nástrojem pro zdravotní péči, a jeho záměrem není nahradit klinické hodnocení autismu,“ říká Tammimies.
Zdroj informací:
Shyam Rajagopalan a kol. [Machine Learning Prediction of Autism Spectrum Disorder from a Minimal Set of Medical and Background Information, JAMA Network Open (2024)]. DOI: 10.1001/jamanetworkopen.2024.29229