Detectando TDAH com precisão quase perfeita

O modelo de aprendizado de máquina é superior a antecessores semelhantes ou diagnóstico comportamental tradicional, diz o pesquisador do UB.

Um novo estudo liderado por um pesquisador da Universidade de Buffalo identificou como a comunicação específica entre diferentes regiões do cérebro, conhecida como conectividade do cérebro, pode servir como um biomarcador para o transtorno de déficit de atenção e hiperatividade (TDAH).

A pesquisa contou com uma arquitetura profunda usando classificadores de aprendizado de máquina para identificar com 99% de precisão aqueles adultos que receberam um diagnóstico de TDAH na infância muitos anos antes.

"Isso sugere que a conectividade do cérebro é um biomarcador estável para o TDAH, pelo menos na infância, mesmo quando o comportamento de um indivíduo se tornou mais típico, talvez pela adaptação de diferentes estratégias que obscurecem o distúrbio subjacente", disse Chris McNorgan, professor assistente de psicologia em o UB College of Arts and Sciences e o principal autor do estudo.

As descobertas, publicadas na revista Frontiers in Physiology , têm implicações não apenas para detectar TDAH, um distúrbio comum, mas com diagnóstico escorregadio, difícil de identificar, mas também podem ajudar os médicos a direcionar os tratamentos ao entender onde os pacientes se sentam em um amplo espectro.

"Como certos medicamentos reagem com certas vias, a compreensão dos diferentes tipos de TDAH pode ajudar a informar as decisões sobre um medicamento em comparação com outros", disse McNorgan, especialista em neuroimagem e modelagem computacional.

O transtorno de déficit de atenção é o transtorno psicológico mais comumente diagnosticado entre crianças em idade escolar, mas é difícil de identificar. Além disso, vários subtipos complicam uma definição clínica de TDAH.

O diagnóstico clínico de TDAH em um paciente pode mudar quando o mesmo paciente retorna para uma avaliação subsequente.

"Um paciente pode apresentar sintomas comportamentais consistentes com TDAH um dia, mas mesmo dias depois, pode não apresentar esses sintomas, ou no mesmo grau", disse McNorgan. "Pode ser a diferença entre um dia bom e um dia ruim.

"Mas a assinatura de conectividade do cérebro do TDAH parece ser mais estável. Não vemos a mudança de diagnóstico."

A equipe de pesquisa multidisciplinar dos voluntários de pesquisa de graduação da UB Cary Judson do Departamento de Psicologia e Dakota Handzlik do Departamento de Ciência da Computação e Engenharia, e John G. Holden, professor associado de psicologia da Universidade de Cincinnati, usaram dados de arquivo fMRI de 80 participantes adultos que foram diagnosticados com TDAH quando crianças.

Classificadores de aprendizado de máquina foram então aplicados a quatro instantâneos de atividade durante uma tarefa projetada para testar a capacidade do sujeito de inibir uma resposta automática.

A análise focada de execuções individuais alcançou 91% por cento de precisão diagnóstica, enquanto a análise coletiva chegou perto de 99%.

"É de longe a maior taxa de precisão que já vi relatada em qualquer lugar - está muito além de qualquer coisa que veio antes e muito além de qualquer coisa que foi alcançada com uma avaliação comportamental", disse McNorgan. "Muitos fatores provavelmente contribuíram para nosso desempenho de classificação superior."

Pesquisas anteriores sugerindo uma relação entre a conectividade do cérebro e o TDAH usaram a classificação linear direta. Esta pesquisa examina as relações entre algo e o que esse algo está prevendo, como café e performance.

Para muitas faixas, a classificação linear direta é eficaz, mas a relação entre o café e o desempenho, como sintomas comportamentais e TDAH, não é linear. Uma ou duas xícaras de café podem melhorar o desempenho, mas em algum momento, a cafeína pode prejudicar o desempenho. Relacionamentos não lineares existem quando você pode ter "muito pouco ou muito de uma coisa boa", de acordo com McNorgan.

As redes de aprendizagem profunda são adequadas para detectar relacionamentos condicionais, que não são lineares. No caso do estudo atual, o TDAH foi previsto a partir dos padrões de comunicação entre grupos de áreas cerebrais, digamos, A, B e C. Se as regiões A e B estivessem altamente conectadas, isso poderia ser um indicador de TDAH, mas não regiões também eram altamente conectadas à região C. Esses tipos de relacionamentos são problemáticos para as técnicas mais comumente usadas, mas não para classificadores de aprendizado profundo.

O modelo de McNorgan vai além ao também diferenciar indivíduos com TDAH que apresentam desempenho típico ou atípico no Iowa Gambling Task (IGT). O IGT é um paradigma comportamental semelhante a um jogo de cartas de cassino que apresenta opções de alto e baixo risco e é comumente usado para estudar e diagnosticar TDAH.

As técnicas tradicionais não podem fazer mais de uma classificação por vez. A abordagem de McNorgan vincula elegantemente o diagnóstico de TDAH ao desempenho no IGT para fornecer uma ponte potencial que explica por que ambos estão relacionados à fiação do cérebro.

Além disso, embora as pessoas com TDAH tendam a fazer escolhas mais arriscadas no IGT, não é um determinante universal. Algumas pessoas sem TDAH também fazem escolhas mais arriscadas do que outras.

"Esta abordagem diferenciando ambas as dimensões fornece um mecanismo para subclassificar as pessoas com TDAH de uma forma que pode permitir tratamentos direcionados", disse McNorgan. "Podemos ver onde as pessoas estão no continuum."

Como diferentes redes cerebrais estão implicadas nas pessoas em ambas as extremidades do continuum, este método abre a porta para o desenvolvimento de terapias que se concentram em redes cerebrais específicas, acrescentou.

Fonte da história:

Materiais fornecidos pela University at Buffalo . Original escrito por Bert Gambini. Nota: o conteúdo pode ser editado quanto ao estilo e comprimento.

Referência do jornal :

1. Chris McNorgan, Cary Judson, Dakota Handzlik, John G. Holden. Vinculando o TDAH e a avaliação comportamental por meio da identificação de conexões funcionais baseadas em tarefas diagnósticas compartilhadas . Fronteiras em Fisiologia , 2020; 11 DOI: 10.3389 / fphys.2020.583005

Cite esta página :

Universidade de Buffalo. "Detecção de TDAH com precisão quase perfeita: o modelo de aprendizado de máquina é superior a antecessores semelhantes ou diagnóstico comportamental tradicional, diz o pesquisador do UB." ScienceDaily. ScienceDaily, 27 de janeiro de 2021. .