Інструмент штучного інтелекту діагностує СДУГ та аутизм за 15 хвилин з точністю 70%
Дата публікації: 29.07.2025
Автори: Відкриті джерела , Редакція платформи «Аксемедін»
Ключові слова: діагностика, штучний інтелект, РСА, депресивні розлади, когнітивна функція, психіатрична оцінка, розлади аутистичного спектру, дзеркальні нейрони аутизм, що таке порушення нейророзвитку, кутова швидкість, атиповий аутизм, спадкова депресія, сенсорний інструмент, чи може дитина перерости аутизм, аутизм і шизофренія, кути Ейлера, що таке аутизм, тест на аутизм, синдром дефіциту уваги/гіперактивності

Нове дослідження показало, що синдром дефіциту уваги/гіперактивності (СДУГ) та розлад аутистичного спектру (РАС) у дітей та підлітків можна діагностувати всього за 15 хвилин з точністю до 70% за допомогою сенсорного інструменту.
Вступ
Дослідники висунули гіпотезу, що випадкові рухи людей, непомітні неозброєним оком, містять важливу когнітивну інформацію. Ці рухи можуть бути вловлені датчиками високої чіткості зі швидкістю приблизно 220 знімків на секунду.
Система здатна врахувати всі ці коливання та визначити, чи є вони низькофункціональними, середньофункціональними чи високофункціональними, а також весь спектр функціональних та когнітивних здібностей. Дослідження було опубліковано онлайн 8 липня в журналі Nature Scientific Reports.
Тривалий час очікування на діагностику
Оскільки рівень постановки діагнозів продовжує зростати, система зазнає дедалі більшого навантаження, і дослідники вважають, що цей новий інструмент може значно скоротити тривалий час очікування психіатричної оцінки.
Опитування CMS 2023 року показало, що у 28% центрів аутизму в США час очікування на діагностику перевищував 7 місяців, причому деякі центри були настільки перевантажені, що припинили приймати нові направлення.
Дослідження 2018 року, проведене тими ж дослідниками, виявило ключові відмінності в рухах між людьми з розладом аутистичного спектру (РАС) та без нього. Це нове дослідження базується на цих висновках, розширюючи кількість кінематичних змінних, виміряних за допомогою Bluetooth-датчиків вищої чіткості, та включаючи пацієнтів з СДУГ (дефіцит уваги та гіперактивності) та тих, хто має коморбідні розлади аутистичного спектру та СДУГ.
Дослідники використовували моделі глибокого навчання для відстеження тонких біомаркерів руху, які відрізняють осіб з нейророзвитковими розладами (НРР) від нейротипових (НТ) осіб. Моделі також точно визначали як діагноз, так і тяжкість станів. У дослідженні взяли участь 92 учасники віком від 5 років, середній вік яких становив 23,96 року, а 35,9% ідентифікували себе як жінки. З них приблизно третина мали НТ.
Щоб виміряти рух, учасники одягали рукавичку з датчиками, коли вони приблизно 100 разів протягом 15 хвилин тягнулися та відводили руку до цілі на сенсорному екрані.
Модель глибокого навчання класифікувала стан учасників на основі кінематичних змінних, включаючи крен, тангаж та рискання (RPY) - кути Ейлера; лінійне прискорення; та кутова швидкість.
Для оцінки ступеня тяжкості дані фільтрували для видалення високочастотного шуму датчиків, а випадкові кінематичні коливання осіб вимірювали за допомогою біометричного фактора Фано та ентропії Шеннона.
Штучний інтелект (ШІ) «бачить» те, чого не можуть побачити лікарі
Прогностична здатність моделі глибокого навчання зростала з кількома кінематичними змінними (середня точність тесту 71,48%), але кутова швидкість давала обмежену перевагу цій комбінації. RPY мав найбільшу прогностичну здатність (точність тесту 67,83%) відносно лінійного прискорення (точність тесту 44,44%) та кутової швидкості (точність тесту 32,17%).
Площа під кривою характеристик приймача (AUC) свідчить про те, що можна з високою точністю передбачити стан учасника НРР. Значення AUC на валідаційних наборах становило від 0,50 до 0,92, що дещо збільшувалося, коли ігнорували кутову швидкість. Модель стабільно добре працювала над диференціацією пацієнтів з НРР від пацієнтів з НТ, але гірше над ідентифікацією коморбідних СДУГ та РАС.
Однією з потенційних переваг використання цього інструменту може бути його здатність надавати об'єктивні дані про стан пацієнта, а не покладатися виключно на якісні поведінкові спостереження.
Перегляньте запис:
Команда планує провести подальше тестування цього методу в різних умовах, включаючи школи та клініки, а також провести поздовжні дослідження. Проте, вражаючий потенціал цього методу для оптимізації трудомісткого та складного процесу діагностики та визначення тяжкості нестабільних депресивних розладів (НДР).
Перспективно, але все ще попередньо
Штучний інтелект має безумовно великий потенціал для допомоги клініцистам у кращому використанні даних, вже зібраних від пацієнтів, і, як показано в цьому дослідженні, для інтеграції різних типів даних, які історично не були частиною психіатричних оцінок.
Однак, дослідження все ще перебуває на початковій стадії. Одним з обмежень є його невеликий розмір вибірки. Варто також зазначити, що учасники дослідження були загалом набагато старшими за типовий діагностичний віковий діапазон, який становить менше 5 років для аутизму та від 5 до 12 років для СДУГ.
ДЖЕРЕЛО: Medscap
На платформі Accemedin багато цікавого! Аби не пропустити — підписуйтесь на наші сторінки! Facebook. Telegram. Viber. Instagram.
Щоб дати відповіді на запитання до цього матеріалу та отримати бали,
будь ласка, зареєструйтеся або увійдіть як користувач.
Реєстрація
Вхід
Матеріали з розділу

Що натепер відомо про алергію

Нірсевімаб — нова надія виснажених педіатр ...

Зробимо вовчак таким, щоб його побачили

Аномальний розвиток лівої кисті у дитини. ...

Атопічний дерматит у дітей: сучасні рекоме ...

Японські дослідники відкрили нову сполуку ...
