Diagnosticar el trastorno por déficit de atención con hiperactividad (TDAH) actualmente implica evaluaciones largas y que consumen muchos recursos. Ahora, un equipo de investigación de la Universidad de Yonsei ha desarrollado un modelo de IA que puede detectar el TDAH utilizando fotografías del fondo de ojo, imágenes de la parte posterior del ojo, lo que podría ofrecer una alternativa más rápida y objetiva. El modelo logró una precisión diagnóstica del 96,9 por ciento en las pruebas iniciales.
Un equipo de investigación de la Universidad de Yonsei ha logrado un avance significativo en el diagnóstico del TDAH, desarrollando un modelo de IA que utiliza fotografías del fondo de ojo para el cribado. Este enfoque innovador ofrece un método potencialmente más rápido y objetivo en comparación con los procedimientos de diagnóstico actuales.
Específicamente, el modelo de IA logró una impresionante precisión diagnóstica del 96,9 por ciento en las pruebas internas, según se informa en el estudio publicado en *npj Digital Medicine*. Esta alta tasa de precisión sugiere un fuerte potencial para que la IA diferencie con precisión entre individuos con y sin TDAH.
El estudio implicó un análisis exhaustivo de imágenes de la retina. Los investigadores analizaron 1.108 imágenes de la retina de una cohorte de 646 niños y adolescentes menores de 19 años. Este grupo incluyó a 323 pacientes diagnosticados con TDAH y un grupo de control de 323 individuos emparejados por edad y sexo sin el trastorno. Este diseño equilibrado asegura una comparación robusta entre los dos grupos, fortaleciendo la validez del rendimiento del modelo de IA.
El equipo de Yonsei, liderado por los profesores Cheon Keun-ah, Choi Hang-nyoung y Park Yu-rang, empleó una sofisticada herramienta de aprendizaje automático llamada AutoMorph para extraer mediciones detalladas de las imágenes de la retina. Esta herramienta permitió a los investigadores analizar características sutiles dentro de las imágenes que podrían ser indicativas de TDAH.
Además, los investigadores entrenaron cuatro modelos de IA distintos para distinguir el TDAH del desarrollo típico. El modelo con mejor rendimiento demostró un área bajo la curva ROC (AUROC) excepcional de 0,969. Para poner esto en perspectiva, un AUROC de 1,0 representa una clasificación perfecta, lo que destaca la excepcional precisión del modelo. El modelo también exhibió más del 91 por ciento de sensibilidad, lo que significa que podría detectar eficazmente el TDAH, y más del 91 por ciento de especificidad, lo que indica su capacidad para descartar correctamente el trastorno.
Más allá del diagnóstico, el modelo de IA también demostró la capacidad de identificar deficiencias en la atención selectiva visual, un déficit conocido asociado con el TDAH. El modelo logró una precisión del 87,3 por ciento en la identificación de estas deficiencias. Esto es significativo porque las deficiencias en la atención selectiva visual son un indicador clave de las deficiencias en la función ejecutiva, un sello distintivo del TDAH.
El proceso de diagnóstico actual para el TDAH suele ser largo y requiere muchos recursos. Típicamente implica entrevistas clínicas, cuestionarios para padres y pruebas neurocognitivas. En contraste, la imagen de la retina ofrece una alternativa no invasiva que toma menos de cinco minutos. Los autores del estudio sugieren que este enfoque simplificado podría proporcionar una opción de cribado más rápida y objetiva para el TDAH.
Para mejorar la comprensión del proceso de toma de decisiones del modelo, los investigadores utilizaron Explicaciones Aditivas de Shapley (SHAP). SHAP es una herramienta que ayuda a identificar las características específicas dentro de las imágenes de la retina que más influyeron en las predicciones de la IA.
El análisis SHAP reveló varios marcadores clave asociados con el TDAH. Estos incluyeron una mayor densidad de vasos sanguíneos en la retina, arterias más estrechas y cambios en el disco óptico. Estos hallazgos proporcionan información valiosa sobre los fundamentos biológicos del TDAH y cómo el modelo de IA identifica la condición.
La profesora Cheon enfatizó el potencial de la imagen del fondo de ojo. Afirmó que podría servir como un biomarcador clave para diagnosticar el TDAH y también para evaluar las deficiencias de la función ejecutiva, como la atención visual. Además, señaló que el proceso de imagen es rápido y podría utilizarse para controlar las respuestas a la medicación para el TDAH. Esto sugiere un doble beneficio: la detección temprana y la capacidad de hacer un seguimiento de la eficacia del tratamiento.
Un equipo de investigación de la Universidad de Yonsei desarrolló un modelo de IA que alcanza un 96.9% de precisión en la detección del TDAH utilizando fotografías del fondo de ojo, ofreciendo una alternativa rápida y no invasiva a los métodos diagnósticos actuales. El modelo identifica características retinianas clave relacionadas con el TDAH y los déficits de atención visual, sugiriendo que la imagen retiniana podría ser una herramienta valiosa para el diagnóstico y el seguimiento de la respuesta al tratamiento. ¿Podría esta innovadora tecnología revolucionar el diagnóstico del TDAH y allanar el camino para una intervención más temprana y mejores resultados para los pacientes?
Leave a Reply