Trouble de déficit d’attention / hyperactivité (TDAH) et trouble du spectre d’autisme (TSA) chez les enfants et les adolescents peuvent être diagnostiqués en 15 minutes avec une précision allant jusqu’à 70% à l’aide d’un outil basé sur le capteur, a montré une nouvelle étude.
“[Diagnosis] prend beaucoup de temps. Cette chose que nous avons faite dans le diagnostic initial prend 15 minutes. C’est juste incroyable. Nous étions sous le choc », a déclaré le chercheur principal Jorge V. José, PhD, a déclaré Actualités médicales Medscape.
Les chercheurs ont émis l’hypothèse que les mouvements aléatoires des gens imperceptibles à l’œil nu contiennent des informations cognitives importantes. Ces mouvements peuvent être ramassés par des capteurs haute définition à environ 220 instantanés par seconde.
«Lorsque vous regardez l’échelle de temps en millisecondes et que vous regardez toutes ces fluctuations, nous pouvons vous dire si vous êtes de faible fonctionnement, moyen fonctionnant ou de haut niveau et tout le spectre de la fonctionnalité et des capacités cognitives», a déclaré José, professeur de physique et professeur auxiliaire d’anatomie à l’Indiana University School of Medicine à Indianapolis.
L’étude était Publié en ligne le 8 juillet Rapports scientifiques de la nature.
Longs temps d’attente de diagnostic
Alors que les taux de diagnostics continuent d’augmenter, le système est soumis à une tension croissante et les enquêteurs pensent que ce nouvel outil pourrait réduire considérablement les temps d’attente longs pour l’évaluation psychiatrique.
UN Enquête CMS 2023 a montré que 28% d’entre nous autisme Les centres avaient des temps d’attente diagnostiques plus de 7 mois, certains centres si dépassés qu’ils ont cessé d’accepter de nouvelles références.
UN Étude 2018 mené par les mêmes chercheurs a identifié des différences de mouvement clés entre les individus avec et sans TSA. Cette nouvelle étude s’appuie sur ces résultats en développant le nombre de variables cinématiques mesurées avec des capteurs Bluetooth plus haute définition et en incluant des patients atteints de TDAH et ceux avec des TSA et du TDAH comorbides.
Les chercheurs ont utilisé des modèles d’apprentissage en profondeur pour suivre les biomarqueurs de mouvement subtils qui différencient les individus avec des troubles neurodéveloppementaux (NDD) des individus neurotypiques (NT). Les modèles ont également déterminé avec précision le diagnostic et la gravité des conditions. L’étude comprenait 92 participants âgés de 5 ans ou plus, avec un âge moyen de 23,96 ans et 35,9% de l’identification comme des femmes. Parmi ceux-ci, environ un tiers étaient nt.
Pour mesurer le mouvement, les participants portaient un gant avec des capteurs lorsqu’ils atteignirent et se rétractent leur main vers une cible sur un écran tactile environ 100 fois pendant 15 minutes.
Le modèle d’apprentissage en profondeur a classé les conditions des participants basés sur des variables cinématiques, y compris le rouleau, la hauteur et le lacet (RPY); accélération linéaire; et la vitesse angulaire.
Pour évaluer la gravité, les données ont été filtrées pour éliminer le bruit des capteurs à haute fréquence et les fluctuations cinématiques aléatoires des individus ont été mesurées en utilisant un facteur de fano biométrique et l’entropie de Shannon.
L’intelligence artificielle (AI) «voit» ce que les médecins ne peuvent pas
La capacité prédictive du modèle d’apprentissage en profondeur a augmenté avec plusieurs variables cinématiques (précision moyenne des tests, 71,48%), mais la vitesse angulaire a donné un avantage limité à cette combinaison. RPY avait la plus grande capacité prédictive (précision du test, 67,83%), par rapport à l’accélération linéaire (précision du test, 44,44%) et à la vitesse angulaire (précision du test, 32,17%).
“La zone sous la courbe des caractéristiques des opérateurs récepteurs (AUC) suggère que nous pouvons prédire, avec une grande précision, les conditions des participants du NDD”, ont écrit les enquêteurs.
L’AUC sur les ensembles de validation était comprise entre 0,50 et 0,92, ce qui a légèrement augmenté lorsqu’ils ignoraient la vitesse angulaire. Le modèle a toujours bien performé à la différenciation des patients NDD des patients NT mais moins à l’identification du TDAH comorbide et du TSA.
Un avantage potentiel de l’utilisation de cet outil pourrait être sa capacité à fournir des données objectives sur l’état d’un patient plutôt que de se fier uniquement aux observations comportementales qualitatives, ont noté les chercheurs.
José a déclaré que son équipe prévoyait de les tester davantage dans une gamme de milieux, y compris les écoles et les cliniques, et d’effectuer des études longitudinales. Il reste enthousiasmé par son potentiel pour rationaliser le processus de temps de diagnostic et de détermination de la gravité des NDD.
Prometteur mais toujours préliminaire
Commentant la recherche pour Actualités médicales MedscapeAnna Van Meter, psychologue clinicien et professeur agrégé au Département de psychiatrie de l’enfant et des adolescents à la NYU Grossman School of Medicine, à New York, a déclaré qu’il y avait «certainement un grand potentiel» pour l’IA pour aider les cliniciens à mieux utiliser les données déjà collectées auprès des patients – et, comme démontré dans cette étude, pour intégrer «différents types de données» qui ne faisaient pas partie de psychiatriques.
Cependant, elle a noté que la recherche – bien que intéressante – est toujours à «un stade très préliminaire».
L’une des limites de l’étude, a déclaré Van Meter, était sa petite taille d’échantillon.
“En rapport avec cela, il semblait que peut-être environ 20% des personnes qu’ils ont recrutées, ils n’étaient pas en mesure d’utiliser leurs données, ce qui a juste soulevé des questions sur la faisabilité de cette approche cliniquement”, a-t-elle déclaré.
Elle a également souligné que les participants à l’étude étaient généralement beaucoup plus âgés que la tranche d’âge diagnostique typique, qui est inférieure à 5 ans pour l’autisme et entre 5 et 12 ans pour le TDAH.
Cette recherche a été partiellement financée par la subvention de la National Science Foundation 1640909 et la subvention 1735095 de la formation interdisciplinaire en réseaux complexes (CM). José et Van Meter ont déclaré n’avoir aucun conflit d’intérêts.