تشخیص زودهنگام اوتیسم با استفاده از مدل هوش مصنوعی

اختلال طیف اوتیسم (ASD) یکی از اختلالات نورودوولوپمنتال پیچیده است که در سال‌های اولیه زندگی تأثیرات مهمی بر رشد اجتماعی، ارتباطی و شناختی فرد دارد. تشخیص زودهنگام این اختلال، می‌تواند به برنامه‌ریزی و اجرای مداخلات مؤثر کمک کرده و مسیر بهتری را برای رشد کودکان مبتلا به ASD فراهم کند. در این راستا، یک مطالعه جدید که در JAMA Network Open منتشر شده، به معرفی مدل هوش مصنوعی AutMedAI پرداخته که توانایی تشخیص زودهنگام اوتیسم را با استفاده از داده‌های محدود دارد.

توسعه مدل هوش مصنوعی

این مطالعه که تحت هدایت کریستینا تامیمیس، استاد دانشکده بهداشت زنان و کودکان در مؤسسه کارولینسکا انجام شده است، بر توسعه یک مدل یادگیری ماشین برای پیش‌بینی اوتیسم در کودکان زیر دو سال متمرکز بوده است. تیم تحقیقاتی از یک پایگاه داده وسیع به نام SPARK که اطلاعات حدود ۳۰,۰۰۰ فرد مبتلا و غیرمبتلا به ASD را شامل می‌شود، استفاده کرده است. این مدل به منظور شناسایی الگوهای موجود در داده‌ها، ۲۸ پارامتر مختلف را بررسی کرد که شامل اطلاعاتی از کودکان است که بدون نیاز به آزمایش‌های پزشکی پیچیده یا ارزیابی‌های گسترده می‌توان آنها را پیش از ۲۴ ماهگی به‌دست آورد.

با تجزیه و تحلیل این داده‌ها، چهار مدل یادگیری ماشین توسعه داده شد و در نهایت مدل AutMedAI با بهترین عملکرد شناخته شد. این مدل توانست حدود ۸۰ درصد از کودکان مبتلا به اوتیسم را شناسایی کند و این عملکرد بالا، اهمیت بسیاری در دقت تشخیص زودهنگام اوتیسم دارد.

نتایج مدل AutMedAI

مدل AutMedAI توانست ویژگی‌های خاصی را از ترکیب داده‌ها شناسایی کند که به طور معناداری با پیش‌بینی اوتیسم مرتبط بودند. از جمله این ویژگی‌ها می‌توان به سن اولین لبخند، اولین جمله کوتاه و وجود مشکلات تغذیه‌ای اشاره کرد که به‌عنوان پیش‌بینی‌کننده‌های قوی اوتیسم شناسایی شدند. این ویژگی‌ها نشان‌دهنده الگوهای رشد و ارتباطات ابتدایی کودکان است که می‌تواند به طور بالقوه شاخص‌هایی برای شناسایی اوتیسم پیش از دو سالگی باشد.

شایام راجاگاپالان، نویسنده اول این مطالعه، گفت: “نتایج این مطالعه نشان می‌دهد که می‌توان افراد مبتلا به اوتیسم را با استفاده از اطلاعات محدود و در دسترس شناسایی کرد. این پیشرفت در تشخیص زودهنگام می‌تواند به‌طور قابل توجهی به بهبود خدمات درمانی و مداخلات کمک کند.”

اهمیت تشخیص زودهنگام اوتیسم

تشخیص زودهنگام اوتیسم به شدت بر برنامه‌ریزی مداخلات مؤثر و کمک به کودکان مبتلا به اوتیسم در مراحل ابتدایی رشد تأثیر می‌گذارد. این مداخلات می‌تواند به بهبود مهارت‌های اجتماعی، ارتباطی و شناختی کودک کمک کند و به آنها فرصت رشد بهتر را بدهد. با این حال، اغلب شناسایی اوتیسم در کودکان تا سن ۴ یا ۵ سالگی به تعویق می‌افتد، در حالی که مدل هوش مصنوعی AutMedAI این امکان را فراهم می‌آورد که اوتیسم را پیش از این سن شناسایی کند.

راجاگاپالان افزود: “تشخیص زودهنگام می‌تواند شرایط تشخیص و مداخلات را به‌طور اساسی تغییر دهد و در نهایت کیفیت زندگی بسیاری از افراد و خانواده‌های آنها را بهبود بخشد.” این تغییر در فرآیند شناسایی و مداخله، به ویژه در محیط‌های درمانی و مراقبتی، تأثیرات مثبتی خواهد داشت.

آینده و اعتبار بالینی مدل

در حال حاضر، تیم تحقیقاتی در حال برنامه‌ریزی برای بهبود و اعتبارسنجی بیشتر این مدل در مراکز بالینی است. یکی از اهداف اصلی، افزودن اطلاعات ژنتیکی به مدل است که می‌تواند پیش‌بینی‌های دقیق‌تر و خاص‌تری را ارائه دهد. با توجه به این که اطلاعات ژنتیکی می‌توانند به درک بهتر علل اوتیسم و ویژگی‌های خاص آن کمک کنند، این گام می‌تواند منجر به ارتقای عملکرد مدل و دقت بالاتر در شناسایی کودکان مبتلا به ASD شود.

کریستینا تامیمیس تأکید کرد: “برای اطمینان از اینکه مدل قابل اعتماد برای استفاده در زمینه‌های بالینی است، کار دقیق و اعتبارسنجی نیاز است. هدف ما این است که مدل به یک ابزار ارزشمند برای مراقبت‌های بهداشتی تبدیل شود و نه اینکه جایگزینی برای ارزیابی بالینی اوتیسم باشد.” این نکته نشان‌دهنده اهمیت حفظ دقت بالینی و کاربرد مدل در کنار ارزیابی‌های سنتی برای تشخیص اوتیسم است.

نتیجه‌گیری

مدل AutMedAI یک گام بزرگ به سوی تشخیص زودهنگام اوتیسم است. با استفاده از داده‌های محدود و بدون نیاز به ارزیابی‌های پزشکی پیچیده، این مدل قادر است تا به شناسایی کودکان مبتلا به اوتیسم در سنین زیر دو سال کمک کند. این پیشرفت در تشخیص می‌تواند به مداخلات دقیق‌تر و مؤثرتر در مراحل اولیه زندگی منجر شود و کیفیت زندگی کودکان مبتلا به ASD و خانواده‌های آنها را بهبود بخشد.

:Reference
Rajagopalan, S. S., Zhang, Y., Yahia, A., & Tammimies, K. (2024). Machine Learning Prediction of Autism Spectrum Disorder From a Minimal Set of Medical and Background Information. JAMA Network Open, 7(۸), e2429229. https://doi.org/10.1001/jamanetworkopen.2024.29229