Hoy en día, el aprendizaje automático (ML) está revolucionando la forma de aproximarse a las soluciones desde diferentes ámbitos de la sociedad. Es así, como el ML está siendo usado para brindar un diagnóstico temprano a los niños con Trastorno del Espectro Autista (TEA) lo cual podría marcar una diferencia en su calidad de vida ya que en muchos casos no son diagnosticados a tiempo. Cabe mencionar, que el ML es una forma de inteligencia artificial (IA)
Se estima que 1 de cada 59 niños en los EE. UU. son diagnosticados con TEA, según el Centro para el Control y la Prevención de Enfermedades (CDC) de Norteamérica. Este trastorno del neurodesarrollo heterogéneo se caracteriza por déficits en la comunicación e interacción sociales, con patrones de comportamiento, intereses o actividades restringidos y repetitivos.
Es por esta razón, que el TEA suele estar asociado con altos costos personales, sociales y familiares. De ahí que, una de las prioridades de la salud pública es determinar la patobiología subyacente del TEA, así como prevenirla para contar con un diagnóstico temprano y tratamientos que sean efectivos.
¿Cuál es la contribución del aprendizaje automático al TEA?
Los centros de investigación están usando herramientas de aprendizaje automático para contar con una alerta temprano en el diagnóstico del TEA. Tal es el caso de un nuevo estudio publicado hace una semana por PLOS ONE en donde se llevó acabo un análisis de más de 1.100 proteínas que han traído como consecuencia la identificación de nueve proteínas séricas que predicen el trastorno.
El equipo de investigación afiliado al Johnson Center for Child Health and Development, la University of Texas en Dallas y el University of Texas Southwestern Medical Center en Dallas mencionaron que, cinco de las nueve proteínas principales estuvieron presentes en los tres análisis algorítmicos realizados, y las cuatro proteínas restantes terminaron proporcionando un poder aditivo.
Cabe resaltar que, los análisis proteómicos muestran que los niveles altos en proteínas en plasma o suero están alterados en el TEA, lo que sugiere que un panel de proteínas puede proporcionar un biomarcador sanguíneo para el TEA. Además, se está empleando la plataforma SomaLogic’s SOMAScanTM para identificar un perfil de biomarcadores de sangre para TEA.
¿El ML puede ayudar a encontrar biomarcadores para el TEA?
Se están investigando biomarcadores de sangre tales como los neurotransmisores, marcadores, metilación alterada, citocinas, entre otros. El ML ayudaría a aplicar los datos clínicos y demográficos de tal forma que se pueda analizar la gravedad de la enfermedad, los síntomas y condiciones de forma eficiente y óptima.
El diagnóstico temprano podría ayudar a disminuir las conductas desadaptativas en varios niños con TEA. Cuanto antes comienza la intervención pueden ser mayores, por lo que un marcador biológico que logre predecir el riesgo de TEA además de proporcionar un diagnóstico temprano sería útil en la identificación de posibles dianas terapéuticas que tienen un gran valor y utilidad clínico.
los investigadores evaluaron la calidad del panel de biomarcadores utilizando métodos de aprendizaje automático.
Asimismo, según el principal autor del estudio el PhD, profesor de psiquiatría en UT Southwestern, Dwight German menciona lo siguiente:
“Idealmente, habrá un día en el que un niño sea identificado mediante biomarcadores sanguíneos como en riesgo de desarrollar TEA y las terapias puedan iniciarse de inmediato. Eso ayudaría al niño a desarrollar habilidades para optimizar su comunicación y aprendizaje ".
Si bien aún hay un largo camino por recorrer en cuanto al uso del aprendizaje automático para lograr un diagnóstico del TEA, resulta alentador el que se haya logrado un primer paso hacia la identificación de biomarcadores proteómicos que permitan el desarrollar estrategias de intervención específicas; así como el uso del algoritmo de ML para encontrar patrones de autoanticuerpos asociados con el TEA.
También, el equipo de investigación en conjunto hizo un llamado a continuar las investigaciones con una validación más grande, detallando lo siguiente:
“Aunque el tamaño de la muestra es aceptable para un estudio de descubrimiento, los datos presentados aquí son preliminares y se necesita un estudio de validación más grande para estar seguro del valor del panel de biomarcadores. Debido a la mayor prevalencia de TEA en los niños, este estudio solo inscribió a los niños, lo que no permite una investigación de las diferencias específicas de género”
Por consiguiente, aún quedan más estudios por hacer sobre los procesos funcionales relacionados con los TEA y biomarcadores de riesgo de TEA.
Referencias
Keywords/Etiquetas: inteligencia artificial, autismo, aprendizaje automático, machine learning, ML, TEA, biomarcadores
