O Transtorno do Espectro Autista (TEA) e o Transtorno do Déficit de Atenção com Hiperatividade (TDAH) são transtornos do desenvolvimento neurológico que afetam uma parcela significativa da população pediátrica. A prevalência de TEA é estimada em 1,5% e a de TDAH em 9,5%, segundo dados do Centers for Disease Control. Ambos os transtornos compartilham sobreposições comportamentais, como impulsividade e dificuldades na interação social, o que pode complicar o diagnóstico diferencial para os clínicos. Por exemplo, a dificuldade social de uma criança com TDAH pode ser decorrente de desatenção ou impulsividade, e não de uma falha em compreender as pistas sociais, que é mais característica do autismo.
O processo de diagnóstico de ambos os transtornos é demorado, envolvendo avaliações extensas por equipes de especialistas e o uso de diversas ferramentas de diagnóstico. A alta demanda por esses agendamentos, que duram várias horas, resulta em longas listas de espera, podendo chegar a mais de um ano. Esse atraso é preocupante, pois a maioria dos pais identifica as preocupações com o desenvolvimento antes dos 36 meses de idade, enquanto as idades médias de diagnóstico são de 4,5 anos para TEA e 7 anos para TDAH. Essa demora atrasa o acesso a intervenções e terapias cruciais.
Em um esforço para agilizar e aprimorar esse processo, um estudo utilizou o aprendizado de máquina (machine learning) para diferenciar o TEA do TDAH com alta precisão. O estudo treinou e testou seis modelos de machine learning utilizando dados de 2.925 indivíduos, sendo 2.775 com TEA e 150 com TDAH, a partir do questionário de 65 itens da Escala de Responsividade Social (SRS). Por meio da seleção de características (forward feature selection), subamostragem e validação cruzada, foi demonstrado que apenas cinco dos 65 comportamentos avaliados pela SRS foram suficientes para distinguir os dois transtornos com uma precisão alta (área sob a curva = 0,965).
Os cinco principais comportamentos identificados como mais relevantes para a distinção foram: “dificuldade com o fluxo normal da conversa”, “dificuldade com mudanças na rotina”, “brincar de forma apropriada com os colegas”, “dificuldade em se relacionar com os colegas” e “contato visual atípico ou inconsistente”. Quatro dos seis algoritmos de machine learning testados (SVC, LDA, Categorical Lasso e Regressão Logística) apresentaram uma precisão comparável, com AUCs entre 0,962 e 0,965, utilizando apenas cinco itens. Além da baixa taxa de erro, esses modelos fornecem uma pontuação de probabilidade que pode ser interpretada como uma medida de confiança na classificação, permitindo a avaliação do nível de risco para cada transtorno.
A natureza do questionário, que é respondido por cuidadores, e a pequena quantidade de perguntas, sugerem a possibilidade de criar uma plataforma de triagem móvel. Essa ferramenta poderia ser amplamente acessível e oferecer uma avaliação de risco rápida, ajudando a agilizar o processo de diagnóstico e o encaminhamento para terapias. Embora seja necessária uma validação adicional em uma população maior de indivíduos com TDAH, o estudo sugere que o machine learning pode ser uma ferramenta valiosa para a avaliação pré-clínica de risco, preenchendo a lacuna entre a suspeita inicial e o diagnóstico formal e permitindo que as famílias obtenham o suporte necessário mais cedo.
Referência:
Duda, M., Ma, R., Haber, N. & Wall, D. P. Use of machine learning for behavioral distinction of autism and ADHD. Translational Psychiatry, v. 6, n. 2, p. e732, 2016. doi: 10.1038/tp.2015.221.
Centro de Pesquisa e Análises Heráclito
Neurociência / Biologia / Psicologia / Psicanálise / Genômica
Tel.: +351 939 895 955 / +55 21 999 989 695
contato@cpah.com.br
