Saúde Desvendada

A identificação e o tratamento precoces do Transtorno do Espectro Autista (TEA) são cruciais para melhorar o desenvolvimento e a qualidade de vida de crianças afetadas. Um estudo recente, realizado na Coreia do Sul, investigou a eficácia de modelos de aprendizado de máquina (ML) baseados em questionários respondidos por cuidadores para identificar crianças com TEA em ambientes comunitários.

O estudo envolveu uma amostra grande de crianças sul-coreanas, rastreadas através de questionários como o Autism Spectrum Screening Questionnaire (ASSQ), Behavior Assessment System for Children-2nd Edition (BASC-2) e Social Responsiveness Scale (SRS). Os modelos de ML foram desenvolvidos para analisar as respostas desses questionários, juntamente com informações demográficas e de desenvolvimento, com o objetivo de prever o risco de TEA. Os resultados mostraram que os modelos baseados em questionários de cuidadores apresentam um potencial significativo para auxiliar na identificação de crianças com TEA.

Em particular, o modelo BASC GB (Gradient Boosting) demonstrou a melhor capacidade de discriminação entre crianças com e sem TEA, entre os modelos de questionário único. Já o modelo GLMNET, que combinou dados do ASSQ, BASC-2 e SRS, alcançou a maior precisão geral. Esses resultados sugerem que a combinação de diferentes fontes de informação pode aprimorar a acurácia dos modelos de predição. A utilização desses modelos pode levar a uma identificação mais rápida e eficiente de crianças com TEA, permitindo intervenções e suporte mais oportunos, e melhorando assim seu prognóstico e bem-estar geral. A detecção precoce é fundamental para maximizar os benefícios das terapias e intervenções disponíveis.

Origem: Link